<\/p>\n
Seringkali ketika kita menyesuaikan model regresi linier, kita menggunakan R-kuadrat<\/strong> untuk mengevaluasi seberapa cocok suatu model dengan data.<\/span><\/p>\n R squared mewakili proporsi varians variabel respon<\/a> yang dapat dijelaskan oleh variabel prediktor dalam model regresi.<\/span><\/p>\n Angka ini berkisar dari 0 hingga 1, dengan nilai yang lebih tinggi menunjukkan kesesuaian model yang lebih baik.<\/span><\/p>\n Namun, tidak ada nilai R-kuadrat untuk model linier umum seperti model regresi logistik<\/a> dan model regresi Poisson<\/a> .<\/span><\/p>\n Sebagai gantinya, kita dapat menghitung metrik yang dikenal sebagai McFadden’s R-Squared<\/strong> , yang berkisar dari 0 hingga sedikit di bawah 1, dengan nilai yang lebih tinggi menunjukkan kesesuaian model yang lebih baik.<\/span><\/p>\n Kami menggunakan rumus berikut untuk menghitung R kuadrat McFadden:<\/span><\/p>\n R-Squared McFadden = 1 \u2013 ( model<\/sub> kemungkinan log \/ kemungkinan log nol<\/sub> )<\/span><\/p>\n Emas:<\/span><\/p>\n Dalam praktiknya, nilai di atas 0,40 menunjukkan bahwa suatu model sangat cocok dengan data.<\/span><\/p>\n Contoh berikut menunjukkan cara menghitung R-kuadrat McFadden untuk model regresi logistik di R.<\/span><\/p>\n Untuk contoh ini, kita akan menggunakan dataset default<\/strong> dari paket ISLR. Kita dapat menggunakan kode berikut untuk memuat dan menampilkan ringkasan kumpulan data:<\/span><\/p>\n Kumpulan data ini berisi informasi berikut tentang 10.000 individu:<\/span><\/p>\n Kami akan menggunakan status pelajar, saldo bank, dan pendapatan untuk membangun model regresi logistik yang memprediksi kemungkinan seseorang akan gagal bayar:<\/span><\/p>\n Selanjutnya, kita akan menggunakan rumus berikut untuk menghitung nilai R-kuadrat McFadden untuk model ini:<\/span><\/span><\/p>\n Nilai R-kuadrat McFadden ternyata 0,4619194<\/strong> . Nilai ini cukup tinggi, menunjukkan bahwa model kami cocok dengan data dan memiliki daya prediksi yang tinggi.<\/span><\/p>\n Perhatikan juga bahwa kita juga dapat menggunakan fungsi pR2()<\/strong> dari paket pscl<\/strong> untuk menghitung nilai McFadden R-squared untuk model:<\/span><\/p>\n Perhatikan bahwa nilai ini sesuai dengan nilai yang dihitung sebelumnya.<\/span><\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya di R:<\/span><\/p>\n Cara menghitung R-kuadrat di R<\/a> Seringkali ketika kita menyesuaikan model regresi linier, kita menggunakan R-kuadrat untuk mengevaluasi seberapa cocok suatu model dengan data. R squared mewakili proporsi varians variabel respon yang dapat dijelaskan oleh variabel prediktor dalam model regresi. Angka ini berkisar dari 0 hingga 1, dengan nilai yang lebih tinggi menunjukkan kesesuaian model yang lebih baik. Namun, tidak ada […]<\/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\n
Contoh: Menghitung McFadden’s R-squared di R<\/strong><\/span><\/h3>\n
#install and load ISLR package\ninstall. packages<\/span> (' ISLR<\/span> ')<\/span>\nlibrary<\/span> (ISLR)<\/span>\n\n#define dataset<\/span>\ndata <- ISLR::Default\n\n#view summary of dataset\n<\/span>summary(data)\n\n default student balance income \n No:9667 No:7056 Min. : 0.0 Min. : 772 \n Yes: 333 Yes:2944 1st Qu.: 481.7 1st Qu.:21340 \n Median: 823.6 Median: 34553 \n Mean: 835.4 Mean: 33517 \n 3rd Qu.:1166.3 3rd Qu.:43808 \n Max. :2654.3 Max. :73554 \n\n#find total observations in dataset<\/span>\nnrow(data)\n\n[1] 10000\n<\/strong><\/pre>\n\n
#fit logistic regression model<\/span>\nmodel <- glm(default~student+balance+income, family=' binomial<\/span> ', data=data)\n\n#view model summary<\/span>\nsummary(model)\n\nCall:\nglm(formula = default ~ balance + student + income, family = \"binomial\", \n data = data)\n\nDeviance Residuals: \n Min 1Q Median 3Q Max \n-2.4691 -0.1418 -0.0557 -0.0203 3.7383 \n\nCoefficients:\n Estimate Std. Error z value Pr(>|z|) \n(Intercept) -1.087e+01 4.923e-01 -22.080 < 2e-16 ***\nbalance 5.737e-03 2.319e-04 24.738 < 2e-16 ***\nstudentYes -6.468e-01 2.363e-01 -2.738 0.00619 ** \nincome 3.033e-06 8.203e-06 0.370 0.71152 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\n(Dispersion parameter for binomial family taken to be 1)\n\n Null deviance: 2920.6 on 9999 degrees of freedom\nResidual deviance: 1571.5 on 9996 degrees of freedom\nAIC: 1579.5\n\nNumber of Fisher Scoring iterations: 8\n<\/strong><\/pre>\n #calculate McFadden's R-squared for model<\/span>\nwith(summary(model), 1 - deviance\/null. deviance<\/span> )\n\n[1] 0.4619194\n<\/strong><\/pre>\n #install and load pscl package<\/span>\ninstall. packages<\/span> (' pscl<\/span> ')\nlibrary<\/span> (pscl)\n\n#calculate McFadden's R-squared for model<\/span>\npR2(model)[' McFadden<\/span> ']\n\n McFadden \n0.4619194\n<\/strong><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara menghitung R-kuadrat yang disesuaikan di R<\/a>
Berapa nilai R-kuadrat yang bagus?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"