Demikian pula, suatu observasi dianggap leverage<\/strong> tinggi jika memiliki satu atau lebih nilai variabel prediktor yang jauh lebih ekstrim dibandingkan dengan observasi lainnya dalam kumpulan data.<\/span><\/p>\n Salah satu langkah pertama dalam jenis analisis apa pun adalah melihat lebih dekat observasi yang memiliki leverage tinggi, karena observasi tersebut dapat berdampak besar pada hasil model tertentu.<\/span><\/p>\n Tutorial ini menunjukkan contoh langkah demi langkah tentang cara menghitung dan memvisualisasikan leverage untuk setiap observasi dalam model di R.<\/span><\/p>\n Pertama, kita akan membuat model regresi linier berganda<\/a> menggunakan kumpulan data mtcars<\/strong> yang ada di R:<\/span><\/p>\n Selanjutnya, kita akan menggunakan fungsi hatvalues()<\/strong> untuk menghitung leverage untuk setiap observasi dalam model:<\/span><\/p>\n Biasanya, kita melihat lebih dekat observasi dengan nilai leverage lebih besar dari 2.<\/span><\/p>\n Cara sederhana untuk melakukannya adalah dengan mengurutkan observasi berdasarkan nilai leverage, dalam urutan menurun:<\/span><\/p>\n Terlihat nilai leverage tertinggi sebesar 0.4966<\/strong> . Karena angka ini tidak lebih besar dari 2, kami tahu bahwa tidak ada observasi dalam kumpulan data kami yang memiliki leverage tinggi.<\/span><\/p>\n Terakhir, kita dapat membuat bagan singkat untuk memvisualisasikan leverage untuk setiap observasi:<\/span> <\/p>\n Sumbu x menampilkan indeks setiap observasi dalam kumpulan data dan nilai y menampilkan statistik leverage yang sesuai untuk setiap observasi.<\/span><\/p>\n Cara melakukan regresi linier sederhana di R<\/a> Dalam statistik, suatu observasi dianggap outlier jika nilainya untuk variabel respon jauh lebih besar dibandingkan observasi lainnya dalam kumpulan data. Demikian pula, suatu observasi dianggap leverage tinggi jika memiliki satu atau lebih nilai variabel prediktor yang jauh lebih ekstrim dibandingkan dengan observasi lainnya dalam kumpulan data. Salah satu langkah pertama dalam jenis analisis apa pun […]<\/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 Langkah 1: Buat model regresi<\/strong><\/span><\/h3>\n
#load the dataset<\/span>\ndata(mtcars)\n\n#fit a regression model<\/span>\nmodel <- lm(mpg~disp+hp, data=mtcars)\n\n#view model summary\n<\/span>summary(model)\n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 30.735904 1.331566 23.083 < 2nd-16 ***\navailable -0.030346 0.007405 -4.098 0.000306 ***\nhp -0.024840 0.013385 -1.856 0.073679 . \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 3.127 on 29 degrees of freedom\nMultiple R-squared: 0.7482, Adjusted R-squared: 0.7309 \nF-statistic: 43.09 on 2 and 29 DF, p-value: 2.062e-09\n<\/strong><\/pre>\n Langkah 2: Hitung leverage untuk setiap observasi<\/strong><\/span><\/h3>\n
#calculate leverage for each observation in the model\n<\/span>hats <- as<\/span> . data<\/span> . frame<\/span> (hatvalues(model))\n\n#display leverage stats for each observation\n<\/span>hats\n\n hatvalues(model)\nMazda RX4 0.04235795\nMazda RX4 Wag 0.04235795\nDatsun 710 0.06287776\nHornet 4 Drive 0.07614472\nHornet Sportabout 0.08097817\nValiant 0.05945972\nDuster 360 0.09828955\nMerc 240D 0.08816960\nMerc 230 0.05102253\nMerc 280 0.03990060\nMerc 280C 0.03990060\nMerc 450SE 0.03890159\nMerc 450SL 0.03890159\nMerc 450SLC 0.03890159\nCadillac Fleetwood 0.19443875\nLincoln Continental 0.16042361\nChrysler Imperial 0.12447530\nFiat 128 0.08346304\nHonda Civic 0.09493784\nToyota Corolla 0.08732818\nToyota Corona 0.05697867\nDodge Challenger 0.06954069\nAMC Javelin 0.05767659\nCamaro Z28 0.10011654\nPontiac Firebird 0.12979822\nFiat X1-9 0.08334018\nPorsche 914-2 0.05785170\nLotus Europa 0.08193899\nFord Pantera L 0.13831817\nFerrari Dino 0.12608583\nMaserati Bora 0.49663919\nVolvo 142E 0.05848459\n<\/strong><\/pre>\n #sort observations by leverage, descending<\/span>\nhats[ order<\/span> (-hats[' hatvalues(model)<\/span> ']), ]\n\n [1] 0.49663919 0.19443875 0.16042361 0.13831817 0.12979822 0.12608583\n [7] 0.12447530 0.10011654 0.09828955 0.09493784 0.08816960 0.08732818\n[13] 0.08346304 0.08334018 0.08193899 0.08097817 0.07614472 0.06954069\n[19] 0.06287776 0.05945972 0.05848459 0.05785170 0.05767659 0.05697867\n[25] 0.05102253 0.04235795 0.04235795 0.03990060 0.03990060 0.03890159\n[31] 0.03890159 0.03890159\n<\/strong><\/pre>\n Langkah 3: Visualisasikan leverage untuk setiap observasi<\/strong><\/span><\/h3>\n
#plot leverage values for each observation<\/span>\nplot(hatvalues(model), type = ' h<\/span> ')\n<\/strong><\/pre>\n![\"leverage](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/effet-de-levier1.png\")
<\/p>\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":"