Um eine robuste Regression in R durchzuf\u00fchren, k\u00f6nnen wir die Funktion rlm()<\/strong> aus dem MASS-<\/strong> Paket verwenden, die die folgende Syntax verwendet:<\/span><\/p>\n Das folgende Schritt-f\u00fcr-Schritt-Beispiel zeigt, wie eine robuste Regression in R f\u00fcr einen bestimmten Datensatz durchgef\u00fchrt wird.<\/span><\/p>\n Erstellen wir zun\u00e4chst einen gef\u00e4lschten Datensatz, mit dem wir arbeiten k\u00f6nnen:<\/span><\/p>\n Als N\u00e4chstes passen wir ein gew\u00f6hnliches Regressionsmodell der kleinsten Quadrate an und erstellen ein Diagramm der standardisierten Residuen<\/a> .<\/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 Aus der Grafik k\u00f6nnen wir ersehen, dass es zwei Beobachtungen mit standardisierten Residuen um 3 gibt.<\/span><\/p>\n Dies weist darauf hin, dass der Datensatz zwei potenzielle Ausrei\u00dfer enth\u00e4lt und wir daher m\u00f6glicherweise stattdessen von einer robusten Regression profitieren k\u00f6nnten.<\/span><\/p>\n Als n\u00e4chstes verwenden wir die Funktion rlm(),<\/strong> um ein robustes Regressionsmodell anzupassen:<\/span><\/p>\n Um festzustellen, ob dieses robuste Regressionsmodell im Vergleich zum OLS-Modell eine bessere Anpassung an die Daten bietet, k\u00f6nnen wir den verbleibenden Standardfehler jedes Modells berechnen.<\/span><\/p>\n Der Reststandardfehler (RSE) ist eine M\u00f6glichkeit, die Standardabweichung der Residuen in einem Regressionsmodell zu messen. Je niedriger der CSR-Wert, desto besser kann ein Modell die Daten anpassen.<\/span><\/p>\n Der folgende Code zeigt, wie der RSE f\u00fcr jedes Modell berechnet wird:<\/span><\/p>\n Wir k\u00f6nnen sehen, dass der RSE des robusten Regressionsmodells viel niedriger ist als der des gew\u00f6hnlichen Regressionsmodells der kleinsten Quadrate, was uns sagt, dass das robuste Regressionsmodell eine bessere Anpassung an die Daten bietet.<\/span><\/p>\n So f\u00fchren Sie eine einfache lineare Regression in R durch<\/a> Die robuste Regression ist eine Methode, die wir als Alternative zur gew\u00f6hnlichen Regression der kleinsten Quadrate verwenden k\u00f6nnen, wenn der Datensatz, mit dem wir arbeiten, Ausrei\u00dfer oder einflussreiche Beobachtungen enth\u00e4lt. Um eine robuste Regression in R durchzuf\u00fchren, k\u00f6nnen wir die Funktion rlm() aus dem MASS- Paket verwenden, die die folgende Syntax verwendet: Das folgende Schritt-f\u00fcr-Schritt-Beispiel […]<\/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 die Daten<\/strong><\/span><\/h3>\n
#create data<\/span>\ndf <- data. frame<\/span> (x1=c(1, 3, 3, 4, 4, 6, 6, 8, 9, 3,\n 11, 16, 16, 18, 19, 20, 23, 23, 24, 25),\n x2=c(7, 7, 4, 29, 13, 34, 17, 19, 20, 12,\n 25, 26, 26, 26, 27, 29, 30, 31, 31, 32),\n y=c(17, 170, 19, 194, 24, 2, 25, 29, 30, 32,\n 44, 60, 61, 63, 63, 64, 61, 67, 59, 70))\n\n#view first six rows of data\n<\/span>head(df)\n\n x1 x2 y\n1 1 7 17\n2 3 7 170\n3 3 4 19\n4 4 29 194\n5 4 13 24\n6 6 34 2\n<\/strong><\/pre>\n Schritt 2: F\u00fchren Sie eine gew\u00f6hnliche Regression der kleinsten Quadrate durch<\/strong><\/span><\/h3>\n
#fit ordinary least squares regression model<\/span>\nols <- lm(y~x1+x2, data=df)\n\n#create plot of y-values vs. standardized residuals\n<\/span>plot(df$y, rstandard(ols), ylab=' Standardized Residuals<\/span> ', xlab=' y<\/span> ') \nabline(h= 0<\/span> )<\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/robusteregr1.png\")
<\/p>\n Schritt 3: F\u00fchren Sie eine robuste Regression durch<\/strong><\/span><\/h3>\n
library<\/span> (MASS)<\/span>\n\n#fit robust regression model<\/span>\nrobust <- rlm(y~x1+x2, data=df)<\/strong><\/pre>\n #find residual standard error of ols model\n<\/span>summary(ols)$sigma\n\n[1] 49.41848\n\n#find residual standard error of ols model\n<\/span>summary(robust)$sigma\n\n[1] 9.369349\n<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie eine multiple lineare Regression in R durch<\/a>
So f\u00fchren Sie eine Polynomregression in R durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"