<\/p>\n
Pesan kesalahan yang mungkin Anda temui di R adalah:<\/span><\/p>\n Pesan kesalahan ini terjadi ketika Anda menyesuaikan model menggunakan fungsi glm()<\/strong> di R dan dua atau lebih variabel prediktor Anda memiliki hubungan linier yang tepat satu sama lain \u2013 yang dikenal sebagai multikolinearitas sempurna<\/a> .<\/span><\/p>\n Untuk memperbaiki kesalahan ini, Anda dapat menggunakan fungsi cor()<\/strong> untuk mengidentifikasi variabel dalam kumpulan data Anda yang memiliki korelasi sempurna satu sama lain dan cukup menghapus salah satu variabel tersebut dari model regresi.<\/span><\/span><\/p>\n Tutorial ini menjelaskan cara menangani pesan kesalahan ini dalam praktiknya.<\/span><\/p>\n Misalkan kita memasukkan model regresi logistik<\/a> ke kerangka data berikut di R:<\/span><\/p>\n Perhatikan bahwa tepat sebelum keluaran koefisien, kita menerima pesan:<\/span><\/p>\n Hal ini menunjukkan bahwa dua atau lebih variabel prediktor dalam model mempunyai hubungan linier yang sempurna sehingga tidak semua koefisien regresi dalam model dapat diestimasi.<\/span><\/p>\n Misalnya, perhatikan bahwa tidak ada estimasi koefisien yang dapat dibuat untuk variabel prediktor x 2<\/sub><\/strong> .<\/span><\/p>\n Untuk mengidentifikasi variabel prediktor mana yang menyebabkan kesalahan ini, kita dapat menggunakan fungsi cor()<\/strong> untuk menghasilkan matriks korelasi<\/a> dan memeriksa variabel mana yang memiliki korelasi tepat 1<\/strong> satu sama lain:<\/span><\/p>\n Dari matriks korelasi terlihat bahwa variabel x 1<\/sub><\/strong> dan x 2<\/sub><\/strong> berkorelasi sempurna.<\/span><\/p>\n Untuk mengatasi kesalahan ini, kita cukup menghapus salah satu dari dua variabel ini dari model, karena variabel tersebut sebenarnya tidak memberikan informasi unik atau independen dalam model regresi.<\/span><\/p>\n Misalnya, kita menghapus x 2<\/sub><\/strong> dan menyesuaikan model regresi logistik berikut:<\/span><\/p>\n Perhatikan bahwa kami tidak menerima pesan kesalahan \u201ctidak terdefinisi karena singularitas\u201d kali ini.<\/span><\/p>\n Catatan<\/strong> : Tidak masalah apakah kita menghapus x 1<\/sub> atau x 2<\/sub> . Model akhir akan berisi estimasi koefisien yang sama untuk variabel yang Anda putuskan untuk dipertahankan dan kesesuaian model secara keseluruhan akan sama.<\/span><\/p>\n Tutorial berikut menjelaskan cara menangani kesalahan lain di R:<\/span><\/p>\n Cara memperbaiki di R: Rumus template tidak valid di ExtractVars Pesan kesalahan yang mungkin Anda temui di R adalah: Coefficients: (1 not defined because of singularities) Pesan kesalahan ini terjadi ketika Anda menyesuaikan model menggunakan fungsi glm() di R dan dua atau lebih variabel prediktor Anda memiliki hubungan linier yang tepat satu sama lain \u2013 yang dikenal sebagai multikolinearitas sempurna . Untuk memperbaiki kesalahan ini, […]<\/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 Coefficients: (1 not defined because of singularities) \n<\/strong><\/pre>\n
Bagaimana cara mereproduksi kesalahan tersebut<\/strong><\/h3>\n
#define data\n<\/span>df <- data. frame<\/span> (y = c(0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1),\n x1 = c(3, 3, 4, 4, 3, 2, 5, 8, 9, 9, 9, 8, 9, 9, 9),\n x2 = c(6, 6, 8, 8, 6, 4, 10, 16, 18, 18, 18, 16, 18, 18, 18),\n x3 = c(4, 7, 7, 3, 8, 9, 9, 8, 7, 8, 9, 4, 9, 10, 13))\n\n#fit logistic regression model\n<\/span>model <- glm(y~x1+x2+x3, data=df, family=binomial)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nglm(formula = y ~ x1 + x2 + x3, family = binomial, data = df)\n\nDeviance Residuals: \n Min 1Q Median 3Q Max \n-1.372e-05 -2.110e-08 2.110e-08 2.110e-08 1.575e-05 \n\nCoefficients: (1 not defined because of singularities)\n Estimate Std. Error z value Pr(>|z|)\n(Intercept) -75.496 176487.031 0.000 1\nx1 14.546 24314.459 0.001 1\nx2 NA NA NA NA\nx3 -2.258 20119.863 0.000 1\n\n(Dispersion parameter for binomial family taken to be 1)\n\n Null deviance: 2.0728e+01 on 14 degrees of freedom\nResidual deviance: 5.1523e-10 on 12 degrees of freedom\nAIC: 6\n\nNumber of Fisher Scoring iterations: 24\n<\/strong><\/span><\/pre>\n Coefficients: (1 not defined because of singularities)\n<\/strong><\/span><\/pre>\n Bagaimana cara menangani kesalahan tersebut<\/strong><\/span><\/h3>\n
#create correlation matrix<\/span>\ncor(df)\n\n y x1 x2 x3\ny 1.0000000 0.9675325 0.9675325 0.3610320\nx1 0.9675325 1.0000000 1.0000000 0.3872889\nx2 0.9675325 1.0000000 1.0000000 0.3872889\nx3 0.3610320 0.3872889 0.3872889 1.0000000\n<\/strong><\/span><\/pre>\n #fit logistic regression model\n<\/span>model <- glm(y~x1+x3, data=df, family=binomial)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nglm(formula = y ~ x1 + x3, family = binomial, data = df)\n\nDeviance Residuals: \n Min 1Q Median 3Q Max \n-1.372e-05 -2.110e-08 2.110e-08 2.110e-08 1.575e-05 \n\nCoefficients:\n Estimate Std. Error z value Pr(>|z|)\n(Intercept) -75.496 176487.031 0.000 1\nx1 14.546 24314.459 0.001 1\nx3 -2.258 20119.863 0.000 1\n\n(Dispersion parameter for binomial family taken to be 1)\n\n Null deviance: 2.0728e+01 on 14 degrees of freedom\nResidual deviance: 5.1523e-10 on 12 degrees of freedom\nAIC: 6\n\nNumber of Fisher Scoring iterations: 24<\/strong><\/span><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara memperbaikinya di R: argumen bukan numerik atau logis: return na<\/a>
Cara memperbaiki: randomForest.default(m, y, \u2026): Na\/NaN\/Inf dalam panggilan fungsi asing<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"