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 Tutorial ini memberikan contoh langkah demi langkah tentang cara menggunakan fungsi ini untuk melakukan regresi kuantil dengan Python.<\/span><\/p>\n Pertama, kami akan memuat paket dan fungsi yang diperlukan:<\/span><\/p>\n Untuk contoh ini, kita akan membuat dataset yang berisi jam belajar dan hasil ujian yang diperoleh untuk 100 mahasiswa 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 Persentil ke-90 nilai ujian = 59,6104 + 2,8495*(jam)<\/span><\/p>\n Misalnya, skor persentil ke-90 dari seluruh siswa yang belajar 8 jam seharusnya adalah 82,4:<\/span><\/p>\n Persentil ke-90 nilai ujian = 59,6104 + 2,8495*(8) = 82,4<\/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 sederhana, perhatikan bahwa garis pas ini tidak mewakili “garis yang paling sesuai” untuk data. Sebaliknya, ia melewati perkiraan persentil ke-90 pada setiap tingkat variabel prediktor.<\/span><\/p>\n Cara melakukan regresi linier sederhana dengan Python<\/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 Langkah 1: Muat paket yang diperlukan<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\nimport<\/span> pandas as<\/span> pd\nimport<\/span> statsmodels. api<\/span> as<\/span> sm\nimport<\/span> statsmodels. formula<\/span> . api<\/span> as<\/span> smf\nimport<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n<\/strong><\/pre>\n Langkah 2: Buat datanya<\/strong><\/span><\/h3>\n
#make this example reproducible\n<\/span>n.p. random<\/span> . seeds<\/span> (0)\n\n#create dataset\n<\/span>obs = 100\n\nhours = np. random<\/span> . uniform<\/span> (1, 10, obs)\nscore = 60 + 2*hours + np. random<\/span> . normal<\/span> (loc=0, scale=.45*hours, size=100)\n\ndf = pd. DataFrame<\/span> ({' hours<\/span> ':hours, ' score<\/span> ':score})\n\n#view first five rows\n<\/span>df. head<\/span> ()\n\nhours score\n0 5.939322 68.764553\n1 7.436704 77.888040\n2 6.424870 74.196060\n3 5.903949 67.726441\n4 4.812893 72.849046<\/strong><\/pre>\n Langkah 3: Lakukan Regresi Kuantil<\/strong><\/span><\/h3>\n
#fit the model<\/span>\nmodel = smf. quantreg<\/span> ('score~hours', df). fit<\/span> (q= 0.9<\/span> )\n\n#view model summary\n<\/span>print<\/span> ( model.summary<\/span> ())\n\n QuantReg Regression Results \n==================================================== ============================\nDept. Variable: Pseudo R-squared score: 0.6057\nModel: QuantReg Bandwidth: 3.822\nMethod: Least Squares Sparsity: 10.85\nDate: Tue, 29 Dec 2020 No. Observations: 100\nTime: 15:41:44 Df Residuals: 98\n Model: 1\n==================================================== ============================\n coef std err t P>|t| [0.025 0.975]\n-------------------------------------------------- ----------------------------\nIntercept 59.6104 0.748 79.702 0.000 58.126 61.095\nhours 2.8495 0.128 22.303 0.000 2.596 3.103\n==================================================== ============================<\/strong><\/span><\/pre>\n Langkah 4: Visualisasikan hasilnya<\/strong><\/span><\/h3>\n
#define figure and axis\n<\/span>fig, ax = plt.subplots(figsize=(8, 6))\n\n#get y values\n<\/span>get_y = lambda<\/span> a, b: a + b * hours\ny = get_y( model.params<\/span> [' Intercept<\/span> '], model.params<\/span> [' hours<\/span> '])\n\n#plot data points with quantile regression equation overlaid\n<\/span>ax. plot<\/span> (hours, y, color=' black<\/span> ')\nax. scatter<\/span> (hours, score, alpha=.3)\nax. set_xlabel<\/span> (' Hours Studied<\/span> ', fontsize=14)\nax. set_ylabel<\/span> (' Exam Score<\/span> ', fontsize=14)\n<\/strong><\/span><\/pre>\n![\"Regresi](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/quantregpython1.png\")
<\/p>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara melakukan regresi kuadrat dengan Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"