Misalnya, kita ingin menggunakan jumlah jam belajar<\/em> untuk memprediksi nilai ujian<\/em> siswa di perguruan tinggi tertentu. Kita dapat memutuskan untuk mengadaptasi dua model regresi berikut:<\/span><\/p>\n Model lengkap:<\/strong> skor = \u03b2 0<\/sub> + B 1<\/sub> (jam) + B 2<\/sub> (jam) 2<\/sup><\/span><\/p>\n Model tereduksi:<\/strong> skor = \u03b2 0<\/sub> + B 1<\/sub> (jam)<\/span><\/p>\n Contoh langkah demi langkah berikut menunjukkan cara melakukan uji kekurangan kecocokan di R untuk menentukan apakah model penuh memberikan kesesuaian yang jauh lebih baik daripada model tereduksi.<\/span><\/p>\n Pertama, kita akan menggunakan kode berikut untuk membuat kumpulan data yang berisi jumlah jam belajar dan nilai ujian yang diperoleh untuk 50 siswa:<\/span><\/p>\n Selanjutnya, kita akan membuat diagram sebar untuk memvisualisasikan hubungan antara jam dan skor:<\/span> <\/p>\n Selanjutnya, kita akan memasukkan dua model regresi berbeda ke kumpulan data:<\/span><\/p>\n Selanjutnya, kita akan menggunakan perintah anova()<\/strong> untuk melakukan uji kekurangan kecocokan antara kedua model:<\/span><\/p>\n Statistik uji F ternyata 10,554<\/strong> dan nilai p yang sesuai adalah 0,002144<\/strong> . Karena nilai p ini kurang dari 0,05, kita dapat menolak hipotesis nol dari pengujian tersebut dan menyimpulkan bahwa model lengkap secara statistik memberikan kesesuaian yang jauh lebih baik daripada model tereduksi.<\/span><\/p>\n Terakhir, kita dapat memvisualisasikan model akhir (model lengkap) terhadap kumpulan data asli:<\/span> <\/p>\n Kita dapat melihat bahwa kurva model cukup sesuai dengan data.<\/span><\/p>\n Cara melakukan regresi linier sederhana di R<\/a> Uji kekurangan kecocokan digunakan untuk menentukan apakah model regresi penuh memberikan kesesuaian yang jauh lebih baik terhadap kumpulan data dibandingkan dengan versi model yang diperkecil. Misalnya, kita ingin menggunakan jumlah jam belajar untuk memprediksi nilai ujian siswa di perguruan tinggi tertentu. Kita dapat memutuskan untuk mengadaptasi dua model regresi berikut: Model lengkap: skor = \u03b2 […]<\/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 dan visualisasikan kumpulan data<\/strong><\/span><\/h3>\n
#make this example reproducible\n<\/span>set. seeds<\/span> (1)\n\n#create dataset\n<\/span>df <- data. frame<\/span> (hours = runif<\/span> (50, 5, 15), score=50)\ndf$score = df$score + df$hours^3\/150 + df$hours* runif<\/span> (50, 1, 2)\n\n#view first six rows of data\n<\/span>head(df)\n\n hours score\n1 7.655087 64.30191\n2 8.721239 70.65430\n3 10.728534 73.66114\n4 14.082078 86.14630\n5 7.016819 59.81595\n6 13.983897 83.60510<\/strong><\/pre>\n #load ggplot2 visualization package\n<\/span>library<\/span> (ggplot2)\n\n#create scatterplot\n<\/span>ggplot(df, aes<\/span> (x=hours, y=score)) +\n geom_point()<\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/manquefit1.png\")
<\/p>\n Langkah 2: Sesuaikan dua model berbeda ke kumpulan data<\/strong><\/span><\/h3>\n
#fit full model\n<\/span>full <- lm(score ~ poly<\/span> (hours,2), data=df)\n<\/span>\n#fit reduced model\nreduced <- lm(score ~ hours, data=df)<\/span><\/span>\n<\/span><\/strong><\/pre>\n Langkah 3: Lakukan uji kekurangan kecocokan<\/strong><\/span><\/h3>\n
#lack of fit test\n<\/span>anova(full, reduced)\n\nAnalysis of Variance Table\n\nModel 1: score ~ poly(hours, 2)\nModel 2: score ~ hours\n Res.Df RSS Df Sum of Sq F Pr(>F) \n1 47 368.48 \n2 48 451.22 -1 -82.744 10.554 0.002144 **\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n<\/strong><\/pre>\n Langkah 4: Visualisasikan model akhir<\/strong><\/span><\/h3>\n
ggplot(df, aes<\/span> (x=hours, y=score)) + \n geom_point() +\n stat_smooth(method=' lm<\/span> ', formula = y ~ poly<\/span> (x,2), size = 1) + \n xlab(' Hours Studied<\/span> ') +\n ylab(' Score<\/span> ')<\/strong><\/span> <\/pre>\n![\"Memvisualisasikan](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/manquefit2.png\")
<\/p>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara melakukan regresi linier berganda di R<\/a>
Bagaimana melakukan regresi polinomial di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"