<\/p>\n
Dalam statistik, kami menyesuaikan model regresi<\/a> karena dua alasan:<\/span><\/p>\n (1)<\/strong> Menjelaskan<\/em> hubungan antara satu atau lebih variabel penjelas<\/a> dan suatu variabel respon<\/a> .<\/span><\/p>\n (2)<\/strong> Memprediksi<\/em> nilai suatu variabel respon berdasarkan nilai dari satu atau lebih variabel penjelas.<\/span><\/p>\n Ketika tujuan kami adalah (2)<\/strong> memprediksi<\/em> nilai variabel respons, kami ingin memastikan bahwa kami menggunakan model regresi terbaik untuk melakukannya.<\/span><\/p>\n Salah satu metrik yang dapat kita gunakan untuk menemukan model regresi yang akan membuat prediksi terbaik pada data baru adalah statistik PRESS<\/strong> , yang merupakan singkatan dari \u201c prediksi<\/strong> jumlah<\/strong> sisa<\/strong> kuadrat<\/strong> \u201d.<\/span><\/p>\n Ini dihitung sebagai berikut:<\/span><\/p>\n TEKAN = \u03a3(e i<\/sub> \/ (1-h ii<\/sub> )) 2<\/sup><\/strong><\/span><\/p>\n Emas:<\/span><\/p>\n Dengan adanya beberapa model regresi, model dengan PRESS terendah harus dipilih sebagai model yang memiliki kinerja terbaik pada kumpulan data baru.<\/span><\/p>\n Contoh berikut menunjukkan cara menghitung statistik PRESS untuk tiga model regresi linier berbeda di R.<\/span><\/p>\n Misalkan kita mempunyai kumpulan data dengan tiga variabel penjelas, x1<\/sub> , x2<\/sub> dan x3<\/sub> , dan variabel respon y:<\/span><\/p>\n Kode berikut menunjukkan cara menyesuaikan tiga model regresi berbeda ke kumpulan data ini menggunakan fungsi lm()<\/strong> :<\/span><\/p>\n Kode berikut menunjukkan cara menghitung statistik PRESS untuk setiap model.<\/span><\/p>\n Ternyata model dengan statistik PRESS terendah adalah Model 2 dengan statistik PRESS sebesar 519.6435<\/strong> . Oleh karena itu, kami akan memilih model ini yang paling cocok untuk membuat prediksi pada kumpulan data baru.<\/span><\/p>\n Pengantar Regresi Linier Sederhana<\/a> Dalam statistik, kami menyesuaikan model regresi karena dua alasan: (1) Menjelaskan hubungan antara satu atau lebih variabel penjelas dan suatu variabel respon . (2) Memprediksi nilai suatu variabel respon berdasarkan nilai dari satu atau lebih variabel penjelas. Ketika tujuan kami adalah (2) memprediksi nilai variabel respons, kami ingin memastikan bahwa kami menggunakan model regresi terbaik […]<\/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
Contoh: Perhitungan statistik PRESS<\/strong><\/span><\/h3>\n
data <- data.frame<\/span> (x1 = c(2, 3, 3, 4, 4, 6, 8, 9, 9, 9),\n x2 = c(2, 2, 3, 3, 2, 3, 5, 6, 6, 7),\n x3 = c(12, 14, 14, 13, 8, 8, 9, 14, 11, 7),\n y = c(23, 24, 15, 9, 14, 17, 22, 26, 34, 35))\n<\/strong><\/pre>\n model1 <- lm(y~x1, data=data)\n\nmodel2 <- lm(y~x1+x2, data=data)\n\nmodel3 <- lm(y~x2+x3, data=data)\n<\/strong><\/pre>\n
#create custom function to calculate the PRESS statistic<\/span>\nPRESS <- function<\/span> (model) {\n i <- residuals<\/span> (model)\/(1 - lm. influence<\/span> (model)$ hat<\/span> )\n sum(i^2)\n}\n\n#calculate PRESS for model 1<\/span>\nPRESS(model1)\n\n[1] 590.2197\n\n#calculate PRESS for model 2<\/span>\nPRESS(model2)\n\n[1] 519.6435\n\n#calculate PRESS for model 3<\/span>\nPRESS(model3)\n\n[1] 537.7503\n<\/strong><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Apa yang dimaksud dengan model pelit?<\/a>
Berapa nilai R-kuadrat yang bagus?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"