{"id":1314,"date":"2023-07-26T22:05:53","date_gmt":"2023-07-26T22:05:53","guid":{"rendered":"https:\/\/statorials.org\/id\/plot-regresi-linier-berganda-di-r\/"},"modified":"2023-07-26T22:05:53","modified_gmt":"2023-07-26T22:05:53","slug":"plot-regresi-linier-berganda-di-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/plot-regresi-linier-berganda-di-r\/","title":{"rendered":"Cara memplot hasil regresi linier berganda di r"},"content":{"rendered":"

<\/p>\n

\n

Saat kita melakukan regresi linier sederhana<\/a> di R, mudah untuk memvisualisasikan garis regresi yang dipasang karena kita hanya bekerja dengan satu variabel prediktor dan satu variabel respons<\/a> .<\/span><\/p>\n

Misalnya, kode berikut menunjukkan cara menyesuaikan model regresi linier sederhana ke kumpulan data dan memplot hasilnya:<\/span> <\/p>\n

 #create dataset\n<\/span>data <- data.frame(x = c(1, 1, 2, 4, 4, 5, 6, 7, 7, 8, 9, 10, 11, 11),\n                   y = c(13, 14, 17, 23, 24, 25, 25, 24, 28, 32, 33, 35, 40, 41))\n\n#fit simple linear regression model\n<\/span>model <- lm(y ~ x, data = data)\n\n#create scatterplot of data\n<\/span>plot(data$x, data$y)\n\n#add fitted regression line\n<\/span>abline(model)\n<\/strong><\/pre>\n
\"Merencanakan<\/p>\n
 Sebagai gantinya, kita dapat menggunakan plot variabel tambahan<\/strong> (terkadang disebut “plot regresi parsial”), yaitu plot individual yang menampilkan hubungan antara variabel respons dan variabel prediktor, sekaligus mengontrol keberadaan variabel prediktor lain dalam model<\/em> .<\/span><\/p>\n
 Contoh berikut menunjukkan cara melakukan regresi linier berganda di R dan memvisualisasikan hasilnya menggunakan plot variabel yang ditambahkan.<\/span><\/p>\n
 Contoh: Merencanakan Hasil Regresi Linier Berganda di R<\/strong><\/span><\/h3>\n
 Misalkan kita menyesuaikan model regresi linier berganda berikut ke kumpulan data di R menggunakan kumpulan data mtcars<\/strong> bawaan:<\/span><\/p>\n
 #fit multiple linear regression model\nmodel <- lm(mpg ~ disp + hp + drat, data = mtcars)\n<\/span>\n#view results of model\nsummary(model)\n\nCall:\nlm(formula = mpg ~ disp + hp + drat, data = mtcars)\n\nResiduals:\n    Min 1Q Median 3Q Max \n-5.1225 -1.8454 -0.4456 1.1342 6.4958 \n\nCoefficients:\n             Estimate Std. Error t value Pr(>|t|)   \n(Intercept) 19.344293 6.370882 3.036 0.00513 **\navailable -0.019232 0.009371 -2.052 0.04960 * \nhp -0.031229 0.013345 -2.340 0.02663 * \ndrat 2.714975 1.487366 1.825 0.07863 . \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 3.008 on 28 degrees of freedom\nMultiple R-squared: 0.775, Adjusted R-squared: 0.7509 \nF-statistic: 32.15 on 3 and 28 DF, p-value: 3.28e-09\n<\/span><\/span><\/strong><\/pre>\n
 Dari hasil tersebut terlihat bahwa nilai p untuk masing-masing koefisien kurang dari 0,1. Untuk mempermudah, kita asumsikan bahwa masing-masing variabel prediktor adalah signifikan dan harus dimasukkan ke dalam model.<\/span><\/p>\n
 Untuk menghasilkan plot variabel yang ditambahkan, kita dapat menggunakan fungsi avPlots()<\/strong> dari paket car<\/strong> :<\/span> <\/p>\n
 #load car package\nlibrary(car)\n<\/span>\n#produce added variable plots\navPlots(model)<\/span>\n<\/span><\/strong><\/pre>\n
\"Merencanakan<\/p>\n
 Berikut cara menafsirkan setiap plot:<\/span><\/p>\n
 Namun, saat kita melakukan regresi linier berganda,<\/a> memvisualisasikan hasilnya menjadi sulit karena terdapat beberapa variabel prediktor dan kita tidak bisa begitu saja memplot garis regresi pada grafik 2D.<\/span><\/p>\n