Bei der visuellen Pr\u00fcfung eines Restlayouts achten wir im Allgemeinen auf zwei Dinge, um festzustellen, ob das Layout \u201egut\u201c oder \u201eschlecht\u201c ist:<\/span><\/p>\n 1. Zeigen die Residuen einen klaren Trend?<\/strong><\/span><\/p>\n 2. Nimmt die Varianz der Residuen systematisch zu oder ab?<\/strong><\/span><\/p>\n Wenn ein Residuendiagramm mit \u201egut\u201c bewertet wird, bedeutet dies, dass wir den Ergebnissen des Regressionsmodells vertrauen k\u00f6nnen und dass die Modellkoeffizienten sicher interpretiert werden k\u00f6nnen.<\/span><\/p>\n Wenn ein Residuendiagramm jedoch als \u201eschlecht\u201c bewertet wird, bedeutet dies, dass die Modellergebnisse unzuverl\u00e4ssig sind und wir ein anderes Regressionsmodell an die Daten anpassen m\u00fcssen.<\/span><\/p>\n Die folgenden Beispiele erl\u00e4utern, wie \u201egute\u201c und \u201eschlechte\u201c Residuendiagramme in der Praxis interpretiert werden.<\/span><\/p>\n Angenommen, wir passen ein Regressionsmodell an und erhalten das folgende Residuendiagramm:<\/span> <\/p>\n Wir k\u00f6nnen die folgenden zwei Fragen beantworten, um festzustellen, ob es sich um ein \u201egutes\u201c Residuendiagramm handelt:<\/span><\/p>\n 1. Zeigen die Residuen einen klaren Trend?<\/strong><\/span><\/p>\n Nein.<\/strong> Die Residuen sind zuf\u00e4llig um den Nullpunkt verteilt und weisen kein klares Muster auf.<\/span><\/p>\n 2. Nimmt die Varianz der Residuen systematisch zu oder ab?<\/strong><\/span><\/p>\n Nein.<\/strong> Die Residuen haben auf jeder Ebene der angepassten Werte eine ziemlich konstante Varianz (dh den Abstand zwischen den Residuen und dem Nullwert).<\/span><\/p>\n Da wir beide Fragen mit \u201eNein\u201c beantwortet haben, w\u00fcrden wir dies als \u201egutes\u201c Restdiagramm betrachten.<\/span><\/p>\n Daher k\u00f6nnen wir den Ergebnissen des Regressionsmodells vertrauen und die Modellkoeffizienten sicher interpretieren.<\/span><\/p>\n Angenommen, wir passen ein Regressionsmodell an und erhalten das folgende Residuendiagramm:<\/span> <\/p>\n Wir k\u00f6nnen die folgenden zwei Fragen beantworten, um festzustellen, ob es sich um ein \u201egutes\u201c Residuendiagramm handelt:<\/span><\/p>\n 1. Zeigen die Residuen einen klaren Trend?<\/strong><\/span><\/p>\n Ja<\/strong> . Die R\u00fcckst\u00e4nde zeigen ein geschwungenes Muster.<\/span><\/p>\n 2. Nimmt die Varianz der Residuen systematisch zu oder ab?<\/strong><\/span><\/p>\n Ja<\/strong> . Die Residuen weisen auf verschiedenen Ebenen der angepassten Werte unterschiedliche Varianzniveaus auf.<\/span><\/p>\n Da wir mindestens eine dieser Fragen mit \u201eJa\u201c beantwortet haben, w\u00fcrden wir dies als \u201eschlechte\u201c Restdarstellung betrachten.<\/span><\/p>\n Das bedeutet, dass das Regressionsmodell keine gute Anpassung an die Daten liefert.<\/span><\/p>\n Insbesondere das gekr\u00fcmmte Muster<\/a> im Residuendiagramm weist darauf hin, dass ein lineares Regressionsmodell die Daten nicht anpasst und dass ein quadratisches Regressionsmodell wahrscheinlich bessere Ergebnisse liefern w\u00fcrde.<\/span><\/p>\n Angenommen, wir passen ein Regressionsmodell an und erhalten das folgende Residuendiagramm:<\/span> <\/p>\n Wir k\u00f6nnen die folgenden zwei Fragen beantworten, um festzustellen, ob es sich um ein \u201egutes\u201c Residuendiagramm handelt:<\/span><\/p>\n 1. Zeigen die Residuen einen klaren Trend?<\/strong><\/span><\/p>\n Nein.<\/strong> Es gibt keinen klaren Trend bei den Residuen.<\/span><\/p>\n 2. Nimmt die Varianz der Residuen systematisch zu oder ab?<\/strong><\/span><\/p>\n Ja<\/strong> . Die Varianz der Residuen nimmt mit zunehmenden angepassten Werten zu.<\/span><\/p>\n Da wir mindestens eine dieser Fragen mit \u201eJa\u201c beantwortet haben, w\u00fcrden wir dies als \u201eschlechte\u201c Restdarstellung betrachten.<\/span><\/p>\n In diesem speziellen Beispiel leiden die Residuen unter Heteroskedastizit\u00e4t<\/strong> , was sich auf eine ungleiche Varianz der Residuen auf verschiedenen Ebenen der angepassten Werte bezieht.<\/span><\/p>\n Dies bedeutet, dass die Ergebnisse des Regressionsmodells m\u00f6glicherweise nicht zuverl\u00e4ssig sind.<\/span><\/p>\n In diesem Artikel<\/a> erfahren Sie, wie Sie das Problem der Heteroskedastizit\u00e4t in einem Regressionsmodell auf verschiedene Arten l\u00f6sen k\u00f6nnen.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie Sie mit unterschiedlicher Statistiksoftware Residuendiagramme erstellen:<\/span><\/p>\n So erstellen Sie ein Residuendiagramm in R<\/a> In der Regressionsanalyse ist ein Residuendiagramm eine Art Diagramm, das die angepassten Werte eines Regressionsmodells auf der x-Achse und die Residuen des Modells entlang der y-Achse anzeigt. Bei der visuellen Pr\u00fcfung eines Restlayouts achten wir im Allgemeinen auf zwei Dinge, um festzustellen, ob das Layout \u201egut\u201c oder \u201eschlecht\u201c ist: 1. Zeigen die Residuen einen klaren […]<\/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\n
\n
Beispiel 1: eine \u201egute\u201c Restspur<\/strong><\/span><\/h2>\n
![\"Beispiel](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/bonresid1.jpg\")
<\/p>\n Beispiel 2: ein \u201eschlechtes\u201c Residuendiagramm mit einem klaren Modell<\/strong><\/span><\/h2>\n
![\"Beispiel](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/resid3.jpg\")
<\/p>\n Beispiel 3: ein \u201eschlechtes\u201c Residuendiagramm mit zunehmender Varianz<\/strong><\/span><\/h2>\n
![\"Beispiel](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/bonresid2.jpg\")
<\/p>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So erstellen Sie ein Restdiagramm in Python<\/a>
So erstellen Sie ein Residuendiagramm in Excel<\/a>
So erstellen Sie ein Restdiagramm in SAS<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"