Eine M\u00f6glichkeit, den Einfluss von Beobachtungen zu berechnen, ist die Verwendung einer Metrik namens DFBETAS<\/strong> , die uns den standardisierten Effekt auf jeden Koeffizienten beim Entfernen jeder einzelnen Beobachtung angibt.<\/span><\/p>\n Diese Metrik gibt uns eine Vorstellung vom Einfluss jeder Beobachtung auf jede Koeffizientensch\u00e4tzung in einem bestimmten Regressionsmodell.<\/span><\/p>\n Dieses Tutorial zeigt ein Schritt-f\u00fcr-Schritt-Beispiel f\u00fcr die Berechnung und Visualisierung von DFBETAS f\u00fcr jede Beobachtung in einem Modell in R.<\/span><\/p>\n Zuerst erstellen wir ein multiples lineares Regressionsmodell<\/a> unter Verwendung des in R integrierten mtcars-<\/strong> Datensatzes:<\/span><\/p>\n Als N\u00e4chstes verwenden wir die integrierte Funktion dfbetas()<\/strong> , um die DFBETAS-Werte f\u00fcr jede Beobachtung im Modell zu berechnen:<\/span><\/p>\n F\u00fcr jede Beobachtung k\u00f6nnen wir den Unterschied in der Koeffizientensch\u00e4tzung f\u00fcr den Ursprung, die Variable disp<\/em> und die Variable hp<\/em> sehen, der auftritt, wenn wir diese bestimmte Beobachtung entfernen.<\/span><\/p>\n Im Allgemeinen gehen wir davon aus, dass eine Beobachtung einen starken Einfluss auf die Sch\u00e4tzung eines bestimmten Koeffizienten hat, wenn ihr DBETAS-Wert gr\u00f6\u00dfer als ein Schwellenwert von 2\/\u221a n<\/span> ist, wobei n<\/em> die Anzahl der Beobachtungen ist.<\/span><\/p>\n In diesem Beispiel w\u00e4re der Schwellenwert 0,3535534<\/strong> :<\/span><\/p>\n Schritt 3: Visualisieren Sie die DFBETAS<\/strong><\/p>\n Schlie\u00dflich k\u00f6nnen wir Diagramme erstellen, um den DFBETAS-Wert f\u00fcr jede Beobachtung und jeden Pr\u00e4diktor im Modell zu visualisieren:<\/span> <\/p>\n In jedem Diagramm zeigt die x-Achse den Index jeder Beobachtung im Datensatz an und der y-Wert zeigt die entsprechenden DFBETAS f\u00fcr jede Beobachtung und jeden Pr\u00e4diktor an.<\/span><\/p>\n Im ersten Diagramm k\u00f6nnen wir sehen, dass drei Beobachtungen den absoluten Schwellenwert von 0,3535534<\/strong> \u00fcberschreiten, und im zweiten Diagramm k\u00f6nnen wir sehen, dass zwei Beobachtungen den absoluten Schwellenwert \u00fcberschreiten.<\/span><\/p>\n M\u00f6glicherweise entscheiden wir uns daf\u00fcr, diese Beobachtungen genauer zu untersuchen, um festzustellen, ob sie einen \u00fcberm\u00e4\u00dfigen Einfluss auf die Sch\u00e4tzung der Modellkoeffizienten haben.<\/span><\/p>\n So f\u00fchren Sie eine einfache lineare Regression in R durch<\/a> In der Statistik wollen wir oft wissen, welchen Einfluss verschiedene Beobachtungen auf Regressionsmodelle haben. Eine M\u00f6glichkeit, den Einfluss von Beobachtungen zu berechnen, ist die Verwendung einer Metrik namens DFBETAS , die uns den standardisierten Effekt auf jeden Koeffizienten beim Entfernen jeder einzelnen Beobachtung angibt. Diese Metrik gibt uns eine Vorstellung vom Einfluss jeder Beobachtung auf […]<\/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 Schritt 1: Erstellen Sie ein Regressionsmodell<\/strong><\/span><\/h3>\n
#fit a regression model<\/span>\nmodel <- lm(mpg~disp+hp, data=mtcars)\n\n#view model summary\n<\/span>summary(model)\n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 30.735904 1.331566 23.083 < 2nd-16 ***\navailable -0.030346 0.007405 -4.098 0.000306 ***\nhp -0.024840 0.013385 -1.856 0.073679 . \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 3.127 on 29 degrees of freedom\nMultiple R-squared: 0.7482, Adjusted R-squared: 0.7309 \nF-statistic: 43.09 on 2 and 29 DF, p-value: 2.062e-09\n<\/strong><\/pre>\n Schritt 2: Berechnen Sie DFBETAS f\u00fcr jede Beobachtung<\/strong><\/span><\/h3>\n
#calculate DFBETAS for each observation in the model\n<\/span>dfbetas <- as<\/span> . data<\/span> . frame<\/span> (dfbetas(model))\n\n#display DFBETAS for each observation\n<\/span>dfbetas\n\n (Intercept) disp hp\nMazda RX4 -0.1174171253 0.030760632 1.748143e-02\nMazda RX4 Wag -0.1174171253 0.030760632 1.748143e-02\nDatsun 710 -0.1694989349 0.086630144 -3.332781e-05\nHornet 4 Drive 0.0577309674 0.078971334 -8.705488e-02\nHornet Sportabout -0.0204333878 0.237526523 -1.366155e-01\nValiant -0.1711908285 -0.139135639 1.829038e-01\nDuster 360 -0.0312338677 -0.005356209 3.581378e-02\nMerc 240D -0.0312259577 -0.010409922 2.433256e-02\nMerc 230 -0.0865872595 0.016428917 2.287867e-02\nMerc 280 -0.1560683502 0.078667906 -1.911180e-02\nMerc 280C -0.2254489597 0.113639937 -2.760800e-02\nMerc 450SE 0.0022844093 0.002966155 -2.855985e-02\nMerc 450SL 0.0009062022 0.001176644 -1.132941e-02\nMerc 450SLC 0.0041566755 0.005397169 -5.196706e-02\nCadillac Fleetwood 0.0388832216 -0.134511133 7.277283e-02\nLincoln Continental 0.0483781688 -0.121146607 5.326220e-02\nChrysler Imperial -0.1645266331 0.236634429 -3.917771e-02\nFiat 128 0.5720358325 -0.181104179 -1.265475e-01\nHonda Civic 0.3490872162 -0.053660545 -1.326422e-01\nToyota Corolla 0.7367058819 -0.268512348 -1.342384e-01\nToyota Corona -0.2181110386 0.101336902 5.945352e-03\nDodge Challenger -0.0270169005 -0.123610713 9.441241e-02\nAMC Javelin -0.0406785103 -0.141711468 1.074514e-01\nCamaro Z28 0.0390139262 0.012846225 -5.031588e-02\nPontiac Firebird -0.0549059340 0.574544346 -3.689584e-01\nFiat X1-9 0.0565157245 -0.017751582 -1.262221e-02\nPorsche 914-2 0.0839169111 -0.028670987 -1.240452e-02\nLotus Europa 0.3444562478 -0.402678927 2.135224e-01\nFord Pantera L -0.1598854695 -0.094184733 2.320845e-01\nFerrari Dino -0.0343997122 0.248642444 -2.344154e-01\nMaserati Bora -0.3436265545 -0.511285637 7.319066e-01\nVolvo 142E -0.1784974091 0.132692956 -4.433915e-02\n<\/strong><\/pre>\n #find number of observations<\/span>\nn <- nrow<\/span> (mtcars)\n\n#calculate DFBETAS threshold value<\/span>\nthresh <- 2\/ sqrt<\/span> (n)\n\nthresh\n\n[1] 0.3535534\n<\/strong><\/pre>\n #specify 2 rows and 1 column in plotting region<\/span>\nby(mfrow=c(2,1))\n\n#plot DFBETAS for disp<\/em> with threshold lines<\/span>\nplot(dfbetas$disp, type=' h<\/span> ')\nabline(h = thresh, lty = 2)\nabline(h = -thresh, lty = 2)\n\n#plot DFBETAS for hp<\/em> with threshold lines<\/span> \nplot(dfbetas$hp, type=' h<\/span> ')\nabline(h = thresh, lty = 2)\nabline(h = -thresh, lty = 2)\n<\/strong><\/pre>\n![\"DFBETAS](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/dfbetas1.png\")
<\/p>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie eine multiple lineare Regression in R durch<\/a>
So berechnen Sie Hebelstatistiken in R<\/a>
So berechnen Sie DFFITS in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"