{"id":2257,"date":"2023-07-23T01:30:54","date_gmt":"2023-07-23T01:30:54","guid":{"rendered":"https:\/\/statorials.org\/id\/prediksi-dari-peringkat-fit-yang-buruk-bisa-menyesatkan\/"},"modified":"2023-07-23T01:30:54","modified_gmt":"2023-07-23T01:30:54","slug":"prediksi-dari-peringkat-fit-yang-buruk-bisa-menyesatkan","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/prediksi-dari-peringkat-fit-yang-buruk-bisa-menyesatkan\/","title":{"rendered":"Cara memperbaiki: memprediksi penyesuaian peringkat yang buruk bisa menyesatkan"},"content":{"rendered":"

<\/p>\n

\n

Peringatan umum yang mungkin Anda temui di R adalah:<\/span><\/p>\n

 Warning message:\nIn predict.lm(model, df):\n  prediction from a rank-deficient fit may be misleading\n<\/strong><\/span><\/pre>\n
 Peringatan ini dapat terjadi karena dua alasan:<\/span><\/p>\n
 Alasan 1<\/strong> : Dua variabel prediktor berkorelasi sempurna.<\/span><\/p>\n
 Alasan 2<\/strong> : Anda memiliki lebih banyak parameter model daripada observasi dalam kumpulan data.<\/span><\/p>\n
 Contoh berikut menunjukkan bagaimana setiap masalah mungkin timbul dalam praktiknya.<\/span><\/p>\n
 Alasan #1: Dua variabel prediktor berkorelasi sempurna<\/strong><\/span><\/h3>\n
 Misalkan kita memasukkan model regresi linier berganda berikut ke dalam R dan mencoba menggunakannya untuk membuat prediksi:<\/span><\/p>\n
 #create data frame\n<\/span>df <- data. frame<\/span> (x1=c(1, 2, 3, 4),\n                 x2=c(2, 4, 6, 8),\n                 y=c(6, 10, 19, 26))\n\n#fit multiple linear regression model\n<\/span>model <- lm(y~x1+x2, data=df)\n\n#use model to make predictions\n<\/span>predict(model, df)\n\n   1 2 3 4 \n 4.9 11.8 18.7 25.6 \nWarning message:\nIn predict.lm(model, df):\n  prediction from a rank-deficient fit may be misleading<\/span><\/span><\/strong><\/pre>\n
 Kami menerima pesan peringatan karena variabel prediktor x1 dan x2 berkorelasi sempurna<\/strong> .<\/span><\/p>\n
 Perhatikan bahwa nilai x2 sama dengan nilai x1 dikalikan dua. Ini adalah contoh multikolinearitas sempurna<\/a> .<\/span><\/p>\n
 Artinya x1 dan x2 tidak memberikan informasi yang unik atau independen dalam model regresi, sehingga menimbulkan masalah saat menyesuaikan dan menginterpretasikan model.<\/span><\/p>\n
 Cara termudah untuk mengatasi masalah ini adalah dengan menghapus salah satu variabel prediktor dari model, karena kedua variabel prediktor dalam model adalah mubazir.<\/span><\/p>\n
 Alasan #2: Ada lebih banyak parameter model daripada observasi<\/strong><\/span><\/h3>\n
 Misalkan kita memasukkan model regresi linier berganda berikut ke dalam R dan mencoba menggunakannya untuk membuat prediksi:<\/span><\/p>\n
 #create data frame\n<\/span>df <- data. frame<\/span> (x1=c(1, 2, 3, 4),\n                 x2=c(3, 3, 8, 12),\n                 x3=c(4, 6, 3, 11),\n                 y=c(6, 10, 19, 26))\n\n#fit multiple linear regression model\n<\/span>model <- lm(y~x1*x2*x3, data=df)\n\n#use model to make predictions\n<\/span>predict(model, df)\n\n 1 2 3 4 \n 6 10 19 26 \nWarning message:\nIn predict.lm(model, df):\n  prediction from a rank-deficient fit may be misleading\n<\/span><\/span><\/strong><\/pre>\n
 Kami menerima pesan peringatan karena kami mencoba menyesuaikan model regresi dengan total tujuh koefisien model:<\/span><\/p>\n