Untuk melakukan regresi yang kuat di R, kita dapat menggunakan fungsi rlm()<\/strong> dari paket MASS<\/strong> , yang menggunakan sintaks berikut:<\/span><\/p>\n Contoh langkah demi langkah berikut menunjukkan cara melakukan regresi yang kuat di R untuk kumpulan data tertentu.<\/span><\/p>\n Pertama, mari buat kumpulan data palsu untuk digunakan:<\/span><\/p>\n Selanjutnya, mari kita sesuaikan model regresi kuadrat terkecil biasa dan buat plot dari residu terstandardisasi<\/a> .<\/span><\/p>\n Dalam praktiknya, kita sering menganggap residu terstandar yang nilai absolutnya lebih besar dari 3 sebagai outlier.<\/span> <\/p>\n Dari grafik terlihat terdapat dua observasi dengan residu terstandar sekitar 3.<\/span><\/p>\n Hal ini menunjukkan bahwa ada dua potensi outlier dalam kumpulan data dan oleh karena itu kita mungkin mendapat manfaat dari regresi yang kuat.<\/span><\/p>\n Selanjutnya, mari kita gunakan fungsi rlm()<\/strong> agar sesuai dengan model regresi yang kuat:<\/span><\/p>\n Untuk menentukan apakah model regresi kuat ini memberikan kesesuaian data yang lebih baik dibandingkan dengan model OLS, kita dapat menghitung kesalahan standar sisa dari setiap model.<\/span><\/p>\n Kesalahan standar sisa (RSE) adalah cara untuk mengukur simpangan baku dari sisa dalam model regresi. Semakin rendah nilai CSR, semakin baik suatu model mampu menyesuaikan dengan data.<\/span><\/p>\n Kode berikut menunjukkan cara menghitung RSE untuk setiap model:<\/span><\/p>\n Kita dapat melihat bahwa RSE dari model regresi yang kuat jauh lebih rendah dibandingkan dengan model regresi kuadrat terkecil biasa, yang menunjukkan bahwa model regresi yang kuat memberikan kesesuaian yang lebih baik dengan data.<\/span><\/p>\n Cara melakukan regresi linier sederhana di R<\/a> Regresi Robust adalah metode yang dapat kita gunakan sebagai alternatif dari regresi kuadrat terkecil biasa ketika terdapat outlier atau observasi yang berpengaruh pada dataset yang kita kerjakan. Untuk melakukan regresi yang kuat di R, kita dapat menggunakan fungsi rlm() dari paket MASS , yang menggunakan sintaks berikut: Contoh langkah demi langkah berikut menunjukkan cara melakukan […]<\/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 datanya<\/strong><\/span><\/h3>\n
#create data<\/span>\ndf <- data. frame<\/span> (x1=c(1, 3, 3, 4, 4, 6, 6, 8, 9, 3,\n 11, 16, 16, 18, 19, 20, 23, 23, 24, 25),\n x2=c(7, 7, 4, 29, 13, 34, 17, 19, 20, 12,\n 25, 26, 26, 26, 27, 29, 30, 31, 31, 32),\n y=c(17, 170, 19, 194, 24, 2, 25, 29, 30, 32,\n 44, 60, 61, 63, 63, 64, 61, 67, 59, 70))\n\n#view first six rows of data\n<\/span>head(df)\n\n x1 x2 y\n1 1 7 17\n2 3 7 170\n3 3 4 19\n4 4 29 194\n5 4 13 24\n6 6 34 2\n<\/strong><\/pre>\n Langkah 2: Lakukan Regresi Kuadrat Terkecil Biasa<\/strong><\/span><\/h3>\n
#fit ordinary least squares regression model<\/span>\nols <- lm(y~x1+x2, data=df)\n\n#create plot of y-values vs. standardized residuals\n<\/span>plot(df$y, rstandard(ols), ylab=' Standardized Residuals<\/span> ', xlab=' y<\/span> ') \nabline(h= 0<\/span> )<\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/robusteregr1.png\")
<\/p>\n Langkah 3: Lakukan Regresi yang Kuat<\/strong><\/span><\/h3>\n
library<\/span> (MASS)<\/span>\n\n#fit robust regression model<\/span>\nrobust <- rlm(y~x1+x2, data=df)<\/strong><\/pre>\n #find residual standard error of ols model\n<\/span>summary(ols)$sigma\n\n[1] 49.41848\n\n#find residual standard error of ols model\n<\/span>summary(robust)$sigma\n\n[1] 9.369349\n<\/strong><\/pre>\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":"