Dalam praktiknya, secara umum kita mengatakan bahwa observasi<\/a> apa pun dalam kumpulan data yang sisa siswanya lebih besar dari nilai absolut 3 adalah outlier.<\/span><\/p>\n Kita dapat dengan cepat memperoleh sisa siswa dari model regresi apa pun di R menggunakan fungsi studres()<\/strong> dari paket MASS, yang menggunakan sintaks berikut:<\/span><\/p>\n kancing (model)<\/strong><\/span><\/p>\n di mana model<\/em> mewakili model linier apa pun.<\/span><\/p>\n Misalkan kita membuat model regresi linier sederhana<\/a> berikut di R, menggunakan kumpulan data mtcars<\/em> bawaan:<\/span><\/p>\n Kita dapat menggunakan fungsi studres()<\/strong> dari paket MASS untuk menghitung sisa siswa untuk setiap observasi dalam kumpulan data:<\/span><\/p>\n Kami juga dapat membuat plot cepat dari nilai variabel prediktor terhadap residu yang diteliti:<\/span> <\/p>\n Dari grafik terlihat bahwa tidak ada satupun observasi yang memiliki sisa siswa dengan nilai absolut lebih besar dari 3, sehingga tidak ada outlier yang jelas pada dataset.<\/span><\/p>\n Kita juga dapat menambahkan kembali sisa siswa dari setiap observasi ke dalam kumpulan data asli jika kita menginginkan:<\/span><\/p>\n Kita kemudian dapat mengurutkan setiap observasi dari yang terbesar ke terkecil berdasarkan sisa siswanya untuk mendapatkan gambaran observasi mana yang paling dekat dengan outlier:<\/span><\/p>\n Cara melakukan regresi linier sederhana di R<\/a> Sisa siswa hanyalah sisa dibagi dengan perkiraan deviasi standarnya. Dalam praktiknya, secara umum kita mengatakan bahwa observasi apa pun dalam kumpulan data yang sisa siswanya lebih besar dari nilai absolut 3 adalah outlier. Kita dapat dengan cepat memperoleh sisa siswa dari model regresi apa pun di R menggunakan fungsi studres() dari paket MASS, yang menggunakan […]<\/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 Contoh: menghitung residu pelajar di R<\/strong><\/span><\/h3>\n
#build simple linear regression model<\/span>\nmodel <- lm(mpg ~ disp, data=mtcars)\n<\/strong><\/pre>\n library<\/span> (MASS)<\/span>\n\n#calculate studentized residuals<\/span>\nstud_resids <- studres(model)\n\n#view first three studentized residuals<\/span>\nhead(stud_resids, 3)\n\n Mazda RX4 Mazda RX4 Wag Datsun 710 \n -0.6236250 -0.6236250 -0.7405315 \n<\/strong><\/pre>\n #plot predictor variable vs. studentized residuals\n<\/span>plot(mtcars$disp, stud_resids, ylab=' Studentized Residuals<\/span> ', xlab=' Displacement<\/span> ') \n\n#add horizontal line at 0\n<\/span>abline(0, 0)<\/strong> <\/pre>\n![\"Residu](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/etudiant1.png\")
<\/p>\n #add studentized residuals to orignal dataset\n<\/span>final_data <- cbind<\/span> (mtcars[c(' mpg<\/span> ', ' disp<\/span> ')], stud_resids)\n\n#view final dataset\n<\/span>head(final_data)\n\n mpg disp stud_resids\nMazda RX4 21.0 160 -0.6236250\nMazda RX4 Wag 21.0 160 -0.6236250\nDatsun 710 22.8 108 -0.7405315\nHornet 4 Drive 21.4 258 0.7556078\nHornet Sportabout 18.7 360 1.2658336\nValiant 18.1 225 -0.6896297<\/strong><\/pre>\n #sort studentized residuals descending\n<\/span>final_data[ order<\/span> (-stud_resids),]\n\n mpg disp stud_resids\nToyota Corolla 33.9 71.1 2.52397102\nPontiac Firebird 19.2 400.0 2.06825391\nFiat 128 32.4 78.7 2.03684699\nLotus Europa 30.4 95.1 1.53905536\nHonda Civic 30.4 75.7 1.27099586\nHornet Sportabout 18.7 360.0 1.26583364\nChrysler Imperial 14.7 440.0 1.06486066\nHornet 4 Drive 21.4 258.0 0.75560776\nPorsche 914-2 26.0 120.3 0.42424678\nFiat X1-9 27.3 79.0 0.30183728\nMerc 240D 24.4 146.7 0.26235893\nFord Pantera L 15.8 351.0 0.20825609\nCadillac Fleetwood 10.4 472.0 0.08338531\nLincoln Continental 10.4 460.0 -0.07863385\nDuster 360 14.3 360.0 -0.14476167\nMerc 450SL 17.3 275.8 -0.28759769\nDodge Challenger 15.5 318.0 -0.30826585\nMerc 230 22.8 140.8 -0.30945955\nMerc 450SE 16.4 275.8 -0.56742476\nAMC Javelin 15.2 304.0 -0.58138205\nCamaro Z28 13.3 350.0 -0.58848471\nMazda RX4 Wag 21.0 160.0 -0.62362497\nMazda RX4 21.0 160.0 -0.62362497\nMaserati Bora 15.0 301.0 -0.68315010\nValiant 18.1 225.0 -0.68962974\nDatsun 710 22.8 108.0 -0.74053152\nMerc 450SLC 15.2 275.8 -0.94814699\nToyota Corona 21.5 120.1 -0.99751166\nVolvo 142E 21.4 121.0 -1.01790487\nMerc 280 19.2 167.6 -1.09979261\nFerrari Dino 19.7 145.0 -1.24732999\nMerc 280C 17.8 167.6 -1.57258064\n<\/strong><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara melakukan regresi linier berganda di R<\/a>
Cara membuat plot sisa di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"