Salah satu cara untuk menghitung pengaruh observasi adalah dengan menggunakan metrik yang dikenal sebagai DFFITS<\/strong> , yang merupakan singkatan dari \u201cdifference in fit.\u201d<\/span><\/p>\n Metrik ini memberi tahu kita seberapa besar perubahan prediksi yang dibuat oleh model regresi ketika kita menghilangkan observasi individual.<\/span><\/p>\n Tutorial ini menunjukkan contoh langkah demi langkah cara menghitung dan memvisualisasikan DFFITS 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 dffits()<\/strong> bawaan untuk menghitung nilai DFFITS untuk setiap observasi dalam model:<\/span><\/p>\n Biasanya, kita melihat lebih dekat observasi dengan nilai DFFITS di atas ambang batas 2\u221a p\/n<\/span> dimana:<\/span><\/p>\n Dalam contoh ini, ambang batasnya adalah 0.5<\/strong> :<\/span><\/p>\n Kita dapat mengurutkan observasi berdasarkan nilai DFFITSnya untuk melihat apakah ada yang melebihi ambang batas:<\/span><\/p>\n Kita dapat melihat bahwa lima observasi pertama memiliki nilai DFFITS lebih besar dari 0,5, yang berarti kita mungkin ingin mempelajari observasi ini lebih dekat untuk menentukan apakah observasi tersebut mempunyai pengaruh yang besar terhadap model.<\/span><\/p>\n Terakhir, kita dapat membuat grafik cepat untuk memvisualisasikan DFFITS untuk setiap observasi:<\/span> <\/p>\n Sumbu x menampilkan indeks setiap observasi dalam dataset dan nilai y menampilkan nilai DFFITS yang sesuai untuk setiap observasi.<\/span><\/p>\n Cara melakukan regresi linier sederhana di R<\/a> Dalam statistik, kita sering kali ingin mengetahui pengaruh observasi yang berbeda terhadap model regresi. Salah satu cara untuk menghitung pengaruh observasi adalah dengan menggunakan metrik yang dikenal sebagai DFFITS , yang merupakan singkatan dari \u201cdifference in fit.\u201d Metrik ini memberi tahu kita seberapa besar perubahan prediksi yang dibuat oleh model regresi ketika kita menghilangkan observasi […]<\/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 DFFITS untuk setiap observasi<\/strong><\/span><\/h3>\n
#calculate DFFITS for each observation in the model\n<\/span>dffits <- as<\/span> . data<\/span> . frame<\/span> (dffits(model))\n\n#display DFFITS for each observation\n<\/span>challenges\n\n dffits(model)\nMazda RX4 -0.14633456\nMazda RX4 Wag -0.14633456\nDatsun 710 -0.19956440\nHornet 4 Drive 0.11540062\nHornet Sportabout 0.32140303\nValiant -0.26586716\nDuster 360 0.06282342\nMerc 240D -0.03521572\nMerc 230 -0.09780612\nMerc 280 -0.22680622\nMerc 280C -0.32763355\nMerc 450SE -0.09682952\nMerc 450SL -0.03841129\nMerc 450SLC -0.17618948\nCadillac Fleetwood -0.15860270\nLincoln Continental -0.15567627\nChrysler Imperial 0.39098449\nFiat 128 0.60265798\nHonda Civic 0.35544919\nToyota Corolla 0.78230167\nToyota Corona -0.25804885\nDodge Challenger -0.16674639\nAMC Javelin -0.20965432\nCamaro Z28 -0.08062828\nPontiac Firebird 0.67858692\nFiat X1-9 0.05951528\nPorsche 914-2 0.09453310\nLotus Europa 0.55650363\nFord Pantera L 0.31169050\nFerrari Dino -0.29539098\nMaserati Bora 0.76464932\nVolvo 142E -0.24266054\n<\/strong><\/pre>\n\n
#find number of predictors in model\n<\/span>p <- length<\/span> (model$coefficients)-1\n\n#find number of observations<\/span>\nn <- nrow<\/span> (mtcars)\n\n#calculate DFFITS threshold value<\/span>\nthresh <- 2* sqrt<\/span> (p\/n)\n\nthresh\n\n[1] 0.5\n<\/strong><\/pre>\n #sort observations by DFFITS, descending<\/span>\ndffits[ order<\/span> (-dffits[' dffits(model)<\/span> ']), ]\n\n [1] 0.78230167 0.76464932 0.67858692 0.60265798 0.55650363 0.39098449\n [7] 0.35544919 0.32140303 0.31169050 0.11540062 0.09453310 0.06282342\n[13] 0.05951528 -0.03521572 -0.03841129 -0.08062828 -0.09682952 -0.09780612\n[19] -0.14633456 -0.14633456 -0.15567627 -0.15860270 -0.16674639 -0.17618948\n[25] -0.19956440 -0.20965432 -0.22680622 -0.24266054 -0.25804885 -0.26586716\n[31] -0.29539098 -0.32763355\n<\/strong><\/pre>\n Langkah 3: Visualisasikan DFFITS untuk setiap observasi<\/strong><\/span><\/h3>\n
#plot DFFITS values for each observation<\/span>\nplot(dffits(model), type = ' h<\/span> ')\n\n#add horizontal lines at absolute values for threshold<\/span>\nabline(h = thresh, lty = 2)\nabline(h = -thresh, lty = 2)\n<\/strong><\/pre>\n![\"DFFITS](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/dffits1.png\")
<\/p>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara melakukan regresi linier berganda di R<\/a>
Cara menghitung statistik leverage di R<\/a>
Cara membuat plot sisa di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"