<\/p>\n
Uji rasio kemungkinan<\/strong> membandingkan kesesuaian dua model regresi<\/a> bertingkat.<\/span><\/p>\n Model bersarang<\/a> hanyalah model yang berisi subkumpulan variabel prediktor dalam model regresi keseluruhan.<\/span><\/p>\n Misalnya, kita memiliki model regresi berikut dengan empat variabel prediktor:<\/span><\/p>\n Y = \u03b2 0<\/sub> + \u03b2 1<\/sub> x 1<\/sub> + \u03b2 2<\/sub> x 2<\/sub> + \u03b2 3<\/sub> x 3<\/sub> + \u03b2 4<\/sub> x 4<\/sub> + \u03b5<\/span><\/p>\n Contoh model bertingkat adalah model berikut yang hanya memiliki dua variabel prediktor asli:<\/span><\/p>\n Y = \u03b2 0<\/sub> + \u03b2 1<\/sub> x 1<\/sub> + \u03b2 2<\/sub> x 2<\/sub> + \u03b5<\/span><\/p>\n Untuk mengetahui apakah kedua model ini berbeda secara signifikan, kita dapat melakukan uji rasio kemungkinan yang menggunakan hipotesis nol dan hipotesis alternatif berikut:<\/span><\/p>\n H 0<\/sub> :<\/strong> Model lengkap dan model tersarang sama-sama cocok dengan data. Jadi, Anda harus menggunakan model bersarang<\/strong> .<\/span><\/p>\n H A<\/sub> :<\/strong> Model lengkap lebih cocok dengan data dibandingkan model tersarang. Jadi harus menggunakan template yang lengkap<\/strong> .<\/span><\/p>\n Jika nilai p<\/a> dari pengujian tersebut berada di bawah tingkat signifikansi tertentu (misalnya 0,05), maka kita dapat menolak hipotesis nol dan menyimpulkan bahwa model lengkap memberikan kesesuaian yang jauh lebih baik.<\/span><\/p>\n Contoh langkah demi langkah berikut menunjukkan cara melakukan uji rasio kemungkinan dengan Python.<\/span><\/p>\n Dalam contoh ini, kami akan menunjukkan cara menyesuaikan dua model regresi berikut dengan Python menggunakan data dari kumpulan data mtcars<\/strong> :<\/span><\/p>\n Model lengkap:<\/strong> mpg = \u03b2 0<\/sub> + \u03b2 1<\/sub> tersedia + \u03b2 2<\/sub> karbohidrat + \u03b2 3<\/sub> hp + \u03b2 4<\/sub> silinder<\/span><\/p>\n Model:<\/strong> mpg = \u03b2 0<\/sub> + \u03b2 1<\/sub> tersedia + \u03b2 2<\/sub> karbohidrat<\/span><\/p>\n Pertama, kita akan memuat kumpulan data:<\/span><\/p>\n Terkait:<\/strong> Cara Membaca File CSV dengan Pandas<\/a><\/span><\/p>\n Pertama, kita akan menyesuaikan model lengkap dan menghitung log-likelihood model tersebut:<\/span><\/p>\n Selanjutnya, kita akan menyesuaikan model tereduksi dan menghitung log-likelihood model tersebut:<\/span><\/p>\n Selanjutnya, kita akan menggunakan kode berikut untuk melakukan uji masuk akal:<\/span><\/span><\/p>\n Dari hasil tersebut, kita dapat melihat bahwa statistik uji chi-square adalah 2,0902<\/strong> dan<\/span> nilai p-value yang sesuai adalah 0,3517<\/strong> .<\/span><\/p>\n Karena nilai p ini tidak kurang dari 0,05, kita akan gagal menolak hipotesis nol.<\/span><\/p>\n Artinya, model lengkap dan model tersarang sama-sama cocok dengan data. Oleh karena itu kita harus menggunakan model bersarang, karena variabel prediktor tambahan dalam model lengkap tidak memberikan peningkatan kecocokan yang signifikan.<\/span><\/p>\n Jadi, model terakhir kita adalah:<\/span><\/p>\n mpg = \u03b2 0<\/sub> + \u03b2 1<\/sub> tersedia + \u03b2 2<\/sub> karbohidrat<\/span><\/p>\n Catatan<\/strong> : Kami menggunakan 2 derajat kebebasan saat menghitung nilai p karena ini mewakili perbedaan total variabel prediktor yang digunakan antara kedua model.<\/span><\/p>\n Tutorial berikut memberikan informasi tambahan tentang penggunaan model regresi dengan Python:<\/span><\/p>\n Panduan Lengkap Regresi Linier dengan Python<\/a> Uji rasio kemungkinan membandingkan kesesuaian dua model regresi bertingkat. Model bersarang hanyalah model yang berisi subkumpulan variabel prediktor dalam model regresi keseluruhan. Misalnya, kita memiliki model regresi berikut dengan empat variabel prediktor: Y = \u03b2 0 + \u03b2 1 x 1 + \u03b2 2 x 2 + \u03b2 3 x 3 + \u03b2 4 x […]<\/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 data<\/strong><\/span><\/h3>\n
from<\/span> sklearn. linear_model<\/span> import<\/span> LinearRegression\nimport<\/span> statsmodels. api<\/span> as<\/span> sm\nimport<\/span> pandas as<\/span> pd\nimport<\/span> scipy\n\n#define URL where dataset is located\n<\/span>url = \"https:\/\/raw.githubusercontent.com\/Statorials\/Python-Guides\/main\/mtcars.csv\"\n\n#read in data\n<\/span>data = pd. read_csv<\/span> (url)\n<\/strong><\/pre>\n Langkah 2: Sesuaikan model regresi<\/strong><\/span><\/h3>\n
#define response variable\n<\/span>y1 = data['mpg']\n\n#define predictor variables\n<\/span>x1 = data[['disp', 'carb', 'hp', 'cyl']]\n\n#add constant to predictor variables\n<\/span>x1 = sm. add_constant<\/span> (x1)\n\n#fit regression model\n<\/span>full_model = sm. OLS<\/span> (y1,x1). fit<\/span> ()\n\n#calculate log-likelihood of model\n<\/span>full_ll = full_model. llf\n<\/span>\nprint<\/span> (full_ll)\n\n-77.55789711787898\n<\/strong><\/pre>\n #define response variable\n<\/span>y2 = data['mpg']\n\n#define predictor variables\n<\/span>x2 = data[['disp', 'carb']]\n\n#add constant to predictor variables\n<\/span>x2 = sm. add_constant<\/span> (x2)\n\n#fit regression model\n<\/span>reduced_model = sm. OLS<\/span> (y2, x2). fit<\/span> ()\n\n#calculate log-likelihood of model\n<\/span>reduced_ll = reduced_model. llf\n<\/span>\nprint<\/span> (reduced_ll)\n\n-78.60301334355185\n<\/strong><\/pre>\n Langkah 3: Lakukan uji kemungkinan log<\/strong><\/span><\/h3>\n
#calculate likelihood ratio Chi-Squared test statistic<\/span>\nLR_statistic = -2 *<\/span> (reduced_ll-full_ll)\n\nprint<\/span> (LR_statistic)\n\n2.0902324513457415\n\n#calculate p-value of test statistic using 2 degrees of freedom\n<\/span>p_val = scipy. stats<\/span> . chi2<\/span> . sf<\/span> (LR_statistic, 2)\n\nprint<\/span> (p_val)\n\n0.35165094613502257\n<\/strong><\/span><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara melakukan regresi polinomial dengan Python<\/a>
Cara Melakukan Regresi Logistik dengan Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"