Biasanya, saat kita melakukan regresi linier, kita ingin memperkirakan nilai rata-rata variabel respon.<\/span><\/p>\n Namun, kita dapat menggunakan metode yang disebut regresi kuantil<\/strong> untuk memperkirakan nilai kuantil<\/em> atau persentil dari nilai respons, seperti persentil ke-70, persentil ke-90, persentil ke-98, dan sebagainya.<\/span><\/p>\n Untuk melakukan regresi kuantil di R, kita dapat menggunakan fungsi rq()<\/strong> dari paket quantreg<\/a> , yang menggunakan sintaks berikut:<\/span><\/p>\n Emas:<\/span><\/p>\n Tutorial ini memberikan contoh langkah demi langkah tentang cara menggunakan fungsi ini untuk melakukan regresi kuantil di R.<\/span><\/p>\n Untuk contoh ini, kami akan membuat kumpulan data yang berisi jam belajar dan hasil ujian yang diperoleh untuk 100 mahasiswa berbeda di sebuah universitas:<\/span><\/p>\n Selanjutnya, kita akan menyesuaikan model regresi kuantil dengan menggunakan jam belajar sebagai variabel prediktor dan nilai ujian sebagai variabel respon.<\/span><\/p>\n Kami akan menggunakan model tersebut untuk memprediksi perkiraan nilai ujian persentil ke-90 berdasarkan jumlah jam belajar:<\/span><\/p>\n Dari hasilnya kita dapat melihat persamaan regresi estimasi:<\/span><\/p>\n Nilai ujian persentil ke-90 = 60,25 + 2,437*(jam)<\/span><\/p>\n Misalnya, nilai persentil ke-90 untuk seluruh siswa yang belajar 8 jam seharusnya adalah 79,75:<\/span><\/p>\n Persentil ke-90 nilai ujian = 60,25 + 2,437*(8) = 79,75<\/strong> .<\/span><\/p>\n Outputnya juga menampilkan batas kepercayaan atas dan bawah untuk intersep dan waktu variabel prediktor.<\/span><\/p>\n Kita juga dapat memvisualisasikan hasil regresi dengan membuat plot sebar dengan persamaan regresi kuantil yang dilapiskan pada grafik:<\/span> <\/p>\n Berbeda dengan garis regresi linier tradisional, perhatikan bahwa garis yang dipasang ini tidak melewati inti data. Sebaliknya, ia melewati perkiraan persentil ke-90 pada setiap tingkat variabel prediktor.<\/span><\/p>\n Kita dapat melihat perbedaan antara persamaan regresi kuantil pas dan persamaan regresi linier sederhana dengan menambahkan argumen geom_smooth()<\/strong> :<\/span> <\/p>\n Garis hitam menampilkan garis regresi kuantil yang disesuaikan dengan persentil ke-90 dan garis biru menampilkan garis regresi linier sederhana yang memperkirakan nilai rata-rata variabel respon.<\/span><\/p>\n Seperti yang diharapkan, garis regresi linier sederhana menelusuri data dan menunjukkan perkiraan nilai rata-rata nilai ujian pada setiap tingkat jam.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya di R:<\/span><\/p>\n Cara melakukan regresi linier sederhana di R<\/a> Regresi linier merupakan metode yang dapat kita gunakan untuk memahami hubungan antara satu atau lebih variabel prediktor dan variabel respon . Biasanya, saat kita melakukan regresi linier, kita ingin memperkirakan nilai rata-rata variabel respon. Namun, kita dapat menggunakan metode yang disebut regresi kuantil untuk memperkirakan nilai kuantil atau persentil dari nilai respons, seperti persentil ke-70, […]<\/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 library<\/span> (quantreg)\n\nmodel <- rq(y ~ x, data = dataset, tau = 0.5<\/span> )\n<\/strong><\/pre>\n\n
Langkah 1: Masukkan datanya<\/strong><\/span><\/h2>\n
#make this example reproducible\n<\/span>set.seed(0)\n\n#create data frame<\/span> \nhours <- runif(100, 1, 10)\nscore <- 60 + 2*hours + rnorm(100, mean=0, sd=.45*hours)\ndf <- data.frame(hours, score)\n\n#view first six rows<\/span>\nhead(df)\n\n hours score\n1 9.070275 79.22682\n2 3.389578 66.20457\n3 4.349115 73.47623\n4 6.155680 70.10823\n5 9.173870 78.12119\n6 2.815137 65.94716\n<\/strong><\/pre>\n Langkah 2: Lakukan Regresi Kuantil<\/strong><\/span><\/h2>\n
library<\/span> (quantreg)\n\n#fit model\n<\/span>model <- rq(score ~ hours, data = df, tau = 0.9<\/span> )\n\n#view summary of model\n<\/span>summary(model)\n\nCall: rq(formula = score ~ hours, tau = 0.9, data = df)\n\ntau: [1] 0.9\n\nCoefficients:\n coefficients lower bd upper bd\n(Intercept) 60.25185 59.27193 62.56459\nhours 2.43746 1.98094 2.76989\n<\/strong><\/pre>\n Langkah 3: Visualisasikan hasilnya<\/strong><\/span><\/h2>\n
library<\/span> (ggplot2)\n\n#create scatterplot with quantile regression line\n<\/span>ggplot(df, aes(hours,score)) +\n geom_point() + \n geom_abline(intercept= coef<\/span> (model)[1], slope= coef<\/span> (model)[2])<\/strong> <\/pre>\n![\"Contoh](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/quantileregr1.png\")
<\/p>\n library<\/span> (ggplot2)\n\n#create scatterplot with quantile regression line and<\/em> simple linear regression line\n<\/span>ggplot(df, aes(hours,score)) +\n geom_point() + \n geom_abline(intercept= coef<\/span> (model)[1], slope= coef<\/span> (model)[2]) +\n geom_smooth(method=\" lm<\/span> \", se= F<\/span> )<\/strong> <\/pre>\n![\"Regresi](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/quantileregr2.png\")
<\/p>\n Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara melakukan regresi linier berganda di R<\/a>
Bagaimana melakukan regresi kuadrat di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"