<\/p>\n
Salah satu asumsi utama regresi linier<\/a> adalah bahwa residu<\/a> terdistribusi dengan varian yang sama di setiap tingkat variabel prediktor. Asumsi ini dikenal dengan istilah homoskedastisitas<\/strong> .<\/span><\/p>\n Jika asumsi ini tidak dipenuhi, maka dikatakan terdapat heteroskedastisitas<\/a> pada residu. Jika hal ini terjadi, hasil regresi menjadi tidak dapat diandalkan.<\/span><\/p>\n Salah satu cara untuk mengatasi masalah ini adalah dengan menggunakan regresi kuadrat terkecil tertimbang<\/strong> , yang memberikan bobot pada observasi<\/a> sedemikian rupa sehingga observasi dengan varian kesalahan rendah menerima bobot lebih karena berisi lebih banyak informasi dibandingkan dengan observasi dengan varian kesalahan lebih besar.<\/span><\/p>\n Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan regresi kuadrat terkecil tertimbang dengan Python.<\/span><\/p>\n Pertama, mari kita buat DataFrame pandas berikut yang berisi informasi tentang jumlah jam belajar dan nilai ujian akhir untuk 16 siswa dalam satu kelas:<\/span><\/p>\n Selanjutnya, kita akan menggunakan fungsi dalam modul statsmodels<\/strong> untuk menyesuaikan model regresi linier sederhana dengan menggunakan jam<\/strong> sebagai variabel prediktor dan skor<\/strong> sebagai variabel respons:<\/span><\/p>\n Dari rangkuman model terlihat bahwa nilai R-squared model adalah 0,630<\/strong> .<\/span><\/p>\n Terkait:<\/strong> Berapa nilai R-kuadrat yang bagus?<\/a><\/span><\/p>\n Selanjutnya, kita dapat menggunakan fungsi statsmodels<\/strong> WLS()<\/strong> untuk melakukan kuadrat terkecil berbobot dengan mengatur bobot sedemikian rupa sehingga observasi dengan varians lebih rendah menerima bobot lebih banyak:<\/span><\/p>\n Dari hasilnya terlihat bahwa nilai R-squared untuk model kuadrat terkecil tertimbang ini meningkat menjadi 0,676<\/strong> .<\/span><\/p>\n Hal ini menunjukkan bahwa model kuadrat terkecil tertimbang lebih mampu menjelaskan varians nilai ujian dibandingkan model regresi linier sederhana.<\/span><\/p>\n Hal ini menunjukkan bahwa model kuadrat terkecil tertimbang memberikan kecocokan yang lebih baik terhadap data dibandingkan dengan model regresi linier sederhana.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya dengan Python:<\/span><\/p>\n Cara Membuat Plot Sisa dengan Python<\/a> Salah satu asumsi utama regresi linier adalah bahwa residu terdistribusi dengan varian yang sama di setiap tingkat variabel prediktor. Asumsi ini dikenal dengan istilah homoskedastisitas . Jika asumsi ini tidak dipenuhi, maka dikatakan terdapat heteroskedastisitas pada residu. Jika hal ini terjadi, hasil regresi menjadi tidak dapat diandalkan. Salah satu cara untuk mengatasi masalah ini adalah […]<\/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><\/h2>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' hours<\/span> ': [1, 1, 2, 2, 2, 3, 4, 4, 4, 5, 5, 5, 6, 6, 7, 8],\n ' score<\/span> ': [48, 78, 72, 70, 66, 92, 93, 75, 75, 80, 95, 97,\n 90, 96, 99, 99]})\n\n#view first five rows of DataFrame\n<\/span>print<\/span> ( df.head<\/span> ())\n\n hours score\n0 1 48\n1 1 78\n2 2 72\n3 2 70\n4 2 66<\/strong><\/pre>\n Langkah 2: Sesuaikan model regresi linier sederhana<\/strong><\/span><\/h2>\n
import<\/span> statsmodels.api as<\/span> sm\n\n#define predictor and response variables\n<\/span>y = df[' score<\/span> ']\nX = df[' hours<\/span> ']\n\n#add constant to predictor variables\n<\/span>X = sm. add_constant<\/span> (x)\n\n#fit linear regression model\n<\/span>fit = sm. OLS<\/span> (y,x). fit<\/span> ()\n\n#view model summary\n<\/span>print<\/span> ( fit.summary<\/span> ())\n\n OLS Regression Results \n==================================================== ============================\nDept. Variable: R-squared score: 0.630\nModel: OLS Adj. R-squared: 0.603\nMethod: Least Squares F-statistic: 23.80\nDate: Mon, 31 Oct 2022 Prob (F-statistic): 0.000244\nTime: 11:19:54 Log-Likelihood: -57.184\nNo. Observations: 16 AIC: 118.4\nDf Residuals: 14 BIC: 119.9\nModel: 1 \nCovariance Type: non-robust \n==================================================== ============================\n coef std err t P>|t| [0.025 0.975]\n-------------------------------------------------- ----------------------------\nconst 60.4669 5.128 11.791 0.000 49.468 71.465\nhours 5.5005 1.127 4.879 0.000 3.082 7.919\n==================================================== ============================\nOmnibus: 0.041 Durbin-Watson: 1.910\nProb(Omnibus): 0.980 Jarque-Bera (JB): 0.268\nSkew: -0.010 Prob(JB): 0.875\nKurtosis: 2.366 Cond. No. 10.5<\/strong><\/pre>\n Langkah 3: Pasangkan model kuadrat terkecil tertimbang<\/strong><\/span><\/h2>\n
#define weights to use\n<\/span>wt = 1\/smf. ols<\/span> (' fit.resid.abs() ~ fit.fittedvalues<\/span> ', data=df). fit<\/span> (). fitted values<\/span> **2\n\n#fit weighted least squares regression model\n<\/span>fit_wls = sm. WLS<\/span> (y, X, weights=wt). fit<\/span> ()\n\n#view summary of weighted least squares regression model\n<\/span>print<\/span> ( fit_wls.summary<\/span> ())\n\n WLS Regression Results \n==================================================== ============================\nDept. Variable: R-squared score: 0.676\nModel: WLS Adj. R-squared: 0.653\nMethod: Least Squares F-statistic: 29.24\nDate: Mon, 31 Oct 2022 Prob (F-statistic): 9.24e-05\nTime: 11:20:10 Log-Likelihood: -55.074\nNo. Comments: 16 AIC: 114.1\nDf Residuals: 14 BIC: 115.7\nModel: 1 \nCovariance Type: non-robust \n==================================================== ============================\n coef std err t P>|t| [0.025 0.975]\n-------------------------------------------------- ----------------------------\nconst 63.9689 5.159 12.400 0.000 52.905 75.033\nhours 4.7091 0.871 5.407 0.000 2.841 6.577\n==================================================== ============================\nOmnibus: 2,482 Durbin-Watson: 1,786\nProb(Omnibus): 0.289 Jarque-Bera (JB): 1.058\nSkew: 0.029 Prob(JB): 0.589\nKurtosis: 1.742 Cond. No. 17.6\n==================================================== ============================<\/strong><\/span><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara Membuat Plot QQ dengan Python<\/a>
Cara menguji multikolinearitas dengan Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"