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 model regresi yang dipelajari dengan Python menggunakan fungsi OLSResults.outlier_test()<\/a> dari statsmodels, yang menggunakan sintaks berikut:<\/span><\/p>\n Hasil OLS.outlier_test()<\/strong><\/span><\/p>\n di mana OLSResults<\/i> adalah nama kecocokan model linier menggunakan fungsi statsmodels ols()<\/strong> .<\/span><\/p>\n Misalkan kita membangun model regresi linier sederhana<\/a> berikut dengan Python:<\/span><\/p>\n Kita dapat menggunakan fungsi outlier_test()<\/strong> untuk menghasilkan DataFrame yang berisi sisa siswa untuk setiap observasi dalam kumpulan data:<\/span><\/p>\n DataFrame ini menampilkan nilai berikut untuk setiap observasi dalam kumpulan data:<\/span><\/p>\n Terlihat bahwa sisa siswa pada observasi pertama pada dataset adalah -0.486471<\/strong> , sisa siswa pada observasi kedua adalah -0.491937<\/strong> , dan seterusnya.<\/span><\/p>\n Kita juga dapat membuat plot cepat dari nilai variabel prediktor terhadap sisa siswa yang sesuai:<\/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 Cara melakukan regresi linier sederhana dengan Python<\/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 model regresi yang dipelajari dengan Python menggunakan fungsi OLSResults.outlier_test() dari statsmodels, yang menggunakan sintaks berikut: Hasil […]<\/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: perhitungan residu yang dipelajari dengan Python<\/strong><\/span><\/h3>\n
#import necessary packages and functions\n<\/span>import<\/span> numpy as<\/span> np\nimport<\/span> pandas as<\/span> pd\nimport<\/span> statsmodels. api<\/span> as<\/span> sm\nfrom<\/span> statsmodels. formula<\/span> . api<\/span> import<\/span> ols\n\n#create dataset<\/span>\ndf = pd. DataFrame<\/span> ({'rating': [90, 85, 82, 88, 94, 90, 76, 75, 87, 86],\n 'points': [25, 20, 14, 16, 27, 20, 12, 15, 14, 19]})\n\n#fit simple linear regression model<\/span>\nmodel = ols('rating ~ points', data=df). fit<\/span> ()\n<\/strong><\/pre>\n #calculate studentized residuals<\/span>\nstud_res = model. outlier_test<\/span> ()\n\n#display studentized residuals<\/span>\nprint(stud_res)\n\n student_resid unadj_p bonf(p)\n0 -0.486471 0.641494 1.000000\n1 -0.491937 0.637814 1.000000\n2 0.172006 0.868300 1.000000\n3 1.287711 0.238781 1.000000\n4 0.106923 0.917850 1.000000\n5 0.748842 0.478355 1.000000\n6 -0.968124 0.365234 1.000000\n7 -2.409911 0.046780 0.467801\n8 1.688046 0.135258 1.000000\n9 -0.014163 0.989095 1.000000\n<\/strong><\/pre>\n\n
import<\/span> matplotlib. pyplot<\/span> as<\/span> plt<\/span>\n\n#define predictor variable values and studentized residuals\n<\/span>x = df[' points<\/span> ']\ny = stud_res[' student_resid<\/span> ']\n\n#create scatterplot of predictor variable vs. studentized residuals\n<\/span>plt. scatter<\/span> (x,y)\nplt. axhline<\/span> (y=0, color=' black<\/span> ', linestyle=' --<\/span> ')\nplt. xlabel<\/span> (' Points<\/span> ')\nplt. ylabel<\/span> (' Studentized Residuals<\/span> ') \n<\/strong><\/pre>\n![\"Residu](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/etudiants1.png\")
<\/p>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara melakukan regresi linier berganda dengan Python<\/a>
Cara Membuat Plot Sisa dengan Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"