In der Praxis sagen wir im Allgemeinen, dass jede Beobachtung<\/a> in einem Datensatz, deren Studentenresiduum gr\u00f6\u00dfer als ein absoluter Wert von 3 ist, ein Ausrei\u00dfer ist.<\/span><\/p>\n Mit der Funktion OLSResults.outlier_test()<\/a> von statsmodels, die die folgende Syntax verwendet, k\u00f6nnen wir schnell die studentisierten Residuen eines Regressionsmodells in Python erhalten:<\/span><\/p>\n OLSResults.outlier_test()<\/strong><\/span><\/p>\n Dabei ist OLSResults<\/i> der Name einer linearen Modellanpassung mit der Funktion statsmodels ols()<\/strong> .<\/span><\/p>\n Angenommen, wir erstellen das folgende einfache lineare Regressionsmodell<\/a> in Python:<\/span><\/p>\n Wir k\u00f6nnen die Funktion outlier_test()<\/strong> verwenden, um einen DataFrame zu erstellen, der die studentisierten Residuen f\u00fcr jede Beobachtung im Datensatz enth\u00e4lt:<\/span><\/p>\n Dieser DataFrame zeigt die folgenden Werte f\u00fcr jede Beobachtung im Datensatz an:<\/span><\/p>\n Wir k\u00f6nnen sehen, dass das studentisierte Residuum f\u00fcr die erste Beobachtung im Datensatz -0,486471<\/strong> betr\u00e4gt, das studentisierte Residuum f\u00fcr die zweite Beobachtung -0,491937<\/strong> und so weiter.<\/span><\/p>\n Wir k\u00f6nnen auch eine schnelle Darstellung der Werte der Pr\u00e4diktorvariablen gegen\u00fcber den entsprechenden studentisierten Residuen erstellen:<\/span> <\/p>\n Aus der Grafik k\u00f6nnen wir ersehen, dass keine der Beobachtungen ein Student-Residuum mit einem absoluten Wert von mehr als 3 aufweist, sodass es im Datensatz keine klaren Ausrei\u00dfer gibt.<\/span><\/p>\n So f\u00fchren Sie eine einfache lineare Regression in Python durch<\/a> Ein Studentenresiduum ist einfach ein Residuum dividiert durch seine gesch\u00e4tzte Standardabweichung. In der Praxis sagen wir im Allgemeinen, dass jede Beobachtung in einem Datensatz, deren Studentenresiduum gr\u00f6\u00dfer als ein absoluter Wert von 3 ist, ein Ausrei\u00dfer ist. Mit der Funktion OLSResults.outlier_test() von statsmodels, die die folgende Syntax verwendet, k\u00f6nnen wir schnell die studentisierten Residuen eines […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Beispiel: Berechnung studentisierter Residuen in Python<\/strong><\/span><\/h3>\n
#import necessary packages and functions\n<\/span>import<\/span> numpy as<\/span> np\nimport<\/span> pandas as<\/span> pd\nimport<\/span> statsmodels. api<\/span> as<\/span> sm\nfrom<\/span> statsmodels. formula<\/span> . api<\/span> import<\/span> ols\n\n#create dataset<\/span>\ndf = pd. DataFrame<\/span> ({'rating': [90, 85, 82, 88, 94, 90, 76, 75, 87, 86],\n 'points': [25, 20, 14, 16, 27, 20, 12, 15, 14, 19]})\n\n#fit simple linear regression model<\/span>\nmodel = ols('rating ~ points', data=df). fit<\/span> ()\n<\/strong><\/pre>\n #calculate studentized residuals<\/span>\nstud_res = model. outlier_test<\/span> ()\n\n#display studentized residuals<\/span>\nprint(stud_res)\n\n student_resid unadj_p bonf(p)\n0 -0.486471 0.641494 1.000000\n1 -0.491937 0.637814 1.000000\n2 0.172006 0.868300 1.000000\n3 1.287711 0.238781 1.000000\n4 0.106923 0.917850 1.000000\n5 0.748842 0.478355 1.000000\n6 -0.968124 0.365234 1.000000\n7 -2.409911 0.046780 0.467801\n8 1.688046 0.135258 1.000000\n9 -0.014163 0.989095 1.000000\n<\/strong><\/pre>\n\n
import<\/span> matplotlib. pyplot<\/span> as<\/span> plt<\/span>\n\n#define predictor variable values and studentized residuals\n<\/span>x = df[' points<\/span> ']\ny = stud_res[' student_resid<\/span> ']\n\n#create scatterplot of predictor variable vs. studentized residuals\n<\/span>plt. scatter<\/span> (x,y)\nplt. axhline<\/span> (y=0, color=' black<\/span> ', linestyle=' --<\/span> ')\nplt. xlabel<\/span> (' Points<\/span> ')\nplt. ylabel<\/span> (' Studentized Residuals<\/span> ') \n<\/strong><\/pre>\n![\"Studentisierte](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/etudiants1.png\")
<\/p>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie eine multiple lineare Regression in Python durch<\/a>
So erstellen Sie ein Restdiagramm in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"