Es wird wie folgt berechnet:<\/span><\/p>\n Residuum = Beobachteter Wert \u2013 Vorhergesagter Wert<\/strong><\/span><\/p>\n Wenn wir die beobachteten Werte grafisch darstellen und die angepasste Regressionslinie \u00fcberlagern, w\u00e4ren die Residuen f\u00fcr jede Beobachtung<\/a> der vertikale Abstand zwischen der Beobachtung und der Regressionslinie:<\/span> <\/p>\n Eine Art von Residuen, die wir h\u00e4ufig verwenden, um Ausrei\u00dfer in einem Regressionsmodell zu identifizieren, wird als standardisiertes Residuum<\/strong> bezeichnet.<\/span><\/p>\n Es wird wie folgt berechnet:<\/span><\/p>\n r i<\/sub> = e i<\/sub> \/ s(e i<\/sub> )<\/strong> = e i<\/sub> \/ RSE\u221a 1-h ii<\/sub><\/span><\/strong><\/span><\/p>\n Gold:<\/span><\/p>\n In der Praxis betrachten wir h\u00e4ufig jedes standardisierte Residuum, dessen absoluter Wert gr\u00f6\u00dfer als 3 ist, als Ausrei\u00dfer.<\/span><\/p>\n Dieses Tutorial bietet ein schrittweises Beispiel f\u00fcr die Berechnung standardisierter Residuen in Python.<\/span><\/p>\n Zuerst erstellen wir einen kleinen Datensatz, mit dem wir in Python arbeiten k\u00f6nnen:<\/span><\/p>\n Als n\u00e4chstes passen wir ein einfaches lineares Regressionsmodell<\/a> an:<\/span><\/p>\n Als n\u00e4chstes berechnen wir die standardisierten Residuen des Modells:<\/span><\/p>\n Anhand der Ergebnisse k\u00f6nnen wir erkennen, dass keines der standardisierten Residuen einen absoluten Wert von 3 \u00fcberschreitet. Somit scheint keine der Beobachtungen Ausrei\u00dfer zu sein.<\/span><\/p>\n Schlie\u00dflich k\u00f6nnen wir ein Streudiagramm erstellen, um die Werte der Pr\u00e4diktorvariablen gegen\u00fcber den standardisierten Residuen zu visualisieren:<\/span><\/p>\n Was sind R\u00fcckst\u00e4nde?<\/a> Ein Residuum ist die Differenz zwischen einem beobachteten Wert und einem vorhergesagten Wert in einemRegressionsmodell . Es wird wie folgt berechnet: Residuum = Beobachteter Wert \u2013 Vorhergesagter Wert Wenn wir die beobachteten Werte grafisch darstellen und die angepasste Regressionslinie \u00fcberlagern, w\u00e4ren die Residuen f\u00fcr jede Beobachtung der vertikale Abstand zwischen der Beobachtung und der Regressionslinie: […]<\/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](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/residus1-1.png\")
<\/p>\n\n
Schritt 1: Geben Sie die Daten ein<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#create dataset\n<\/span>df = pd. DataFrame<\/span> ({' x<\/span> ': [8, 12, 12, 13, 14, 16, 17, 22, 24, 26, 29, 30],\n ' y<\/span> ': [41, 42, 39, 37, 35, 39, 45, 46, 39, 49, 55, 57]})\n<\/strong><\/pre>\n Schritt 2: Passen Sie das Regressionsmodell an<\/strong><\/span><\/h3>\n
import<\/span> statsmodels. api<\/span> as<\/span> sm\n\n#define response variable\n<\/span>y = df[' y<\/span> ']\n\n#define explanatory variable\n<\/span>x = df[' x<\/span> ']\n\n#add constant to predictor variables\n<\/span>x = sm. add_constant<\/span> (x)\n\n#fit linear regression model\n<\/span>model = sm. OLS<\/span> (y,x). fit<\/span> ()<\/strong><\/span><\/pre>\n Schritt 3: Berechnen Sie standardisierte Residuen<\/strong><\/span><\/h3>\n
#create instance of influence\n<\/span>influence = model. get_influence<\/span> ()\n\n#obtain standardized residuals\n<\/span>standardized_residuals = influence. reside_studentized_internal<\/span>\n\n#display standardized residuals\n<\/span>print<\/span> (standardized_residuals)\n\n[ 1.40517322 0.81017562 0.07491009 -0.59323342 -1.2482053 -0.64248883\n 0.59610905 -0.05876884 -2.11711982 -0.066556 0.91057211 1.26973888]<\/strong><\/pre>\n Schritt 4: Visualisieren Sie die standardisierten Residuen<\/strong><\/span><\/h3>\n
import<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n\nplt. scatter<\/span> (df.x, standardized_residuals)\nplt. xlabel<\/span> (' x<\/span> ')\nplt. ylabel<\/span> (' Standardized Residuals<\/span> ')\nplt. axhline<\/span> (y=0, color=' black<\/span> ', linestyle=' --<\/span> ', linewidth=1)\nplt. show<\/span> ()<\/span><\/span><\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
Was sind standardisierte Residuen?<\/a>
So berechnen Sie standardisierte Residuen in R<\/a>
So berechnen Sie standardisierte Residuen in Excel<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"