Contoh langkah demi langkah berikut menunjukkan cara melakukan regresi spline di R.<\/span><\/p>\n Pertama, mari kita buat kumpulan data di R dengan dua variabel dan buat plot sebar untuk memvisualisasikan hubungan antar variabel:<\/span> <\/p>\n Jelas sekali hubungan antara x dan y adalah non-linier dan tampak ada dua titik atau “simpul” yang pola datanya berubah secara tiba-tiba pada x=7 dan x=10.<\/span><\/p>\n Mari kita gunakan fungsi lm()<\/a> untuk menyesuaikan model regresi linier sederhana dengan kumpulan data ini dan membuat plot yang sesuai dengan garis regresi pada plot sebar:<\/span> <\/p>\n Dari scatterplot terlihat bahwa garis regresi linier sederhana tidak sesuai dengan data.<\/span><\/p>\n Dari hasil model juga terlihat nilai customized R-squared<\/a> sebesar 0.5903<\/strong> .<\/span><\/p>\n Kami akan membandingkannya dengan nilai R-kuadrat yang disesuaikan dari model spline.<\/span><\/p>\n Selanjutnya, mari kita gunakan fungsi bs()<\/strong> dari paket splines<\/strong> untuk menyesuaikan model regresi spline dengan dua node, lalu plot model yang dipasang pada scatterplot:<\/span> <\/p>\n Dari scatterplot terlihat bahwa model regresi spline mampu menyesuaikan data dengan cukup baik.<\/span><\/p>\n Dari hasil model juga terlihat nilai customized R-squared sebesar 0.8987<\/strong> .<\/span><\/p>\n Nilai R-kuadrat yang disesuaikan untuk model ini jauh lebih tinggi dibandingkan model regresi linier sederhana, yang menunjukkan bahwa model regresi spline mampu menyesuaikan data dengan lebih baik.<\/span><\/p>\n Perhatikan bahwa untuk contoh ini kita telah memilih bahwa node terletak di x=7 dan x=10.<\/span><\/p>\n Dalam praktiknya, Anda harus memilih sendiri lokasi node berdasarkan pola perubahan pada data dan berdasarkan keahlian domain Anda.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya di R:<\/span><\/p>\n Cara melakukan regresi linier berganda di R<\/a> Regresi spline adalah jenis regresi yang digunakan jika terdapat titik atau “simpul” yang pola datanya berubah secara tiba-tiba dan regresi linier serta regresi polinomial tidak cukup fleksibel untuk menyesuaikan data. Contoh langkah demi langkah berikut menunjukkan cara melakukan regresi spline di R. Langkah 1: Buat datanya Pertama, mari kita buat kumpulan data di R dengan […]<\/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
#create data frame\n<\/span>df <- data. frame<\/span> (x=1:20,\n y=c(2, 4, 7, 9, 13, 15, 19, 16, 13, 10,\n 11, 14, 15, 15, 16, 15, 17, 19, 18, 20))\n\n#view head of data frame\n<\/span>head(df)\n\n xy\n1 1 2\n2 2 4\n3 3 7\n4 4 9\n5 5 13\n6 6 15\n\n#create scatterplot\n<\/span>plot(df$x, df$y, cex= 1.5<\/span> , pch= 19<\/span> )\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/spline1.jpg\")
<\/p>\n Langkah 2: Sesuaikan model regresi linier sederhana<\/strong><\/span><\/h2>\n
#fit simple linear regression model\n<\/span>linear_fit <- lm(df$y ~ df$x)\n\n#view model summary\n<\/span>summary(linear_fit)\n\nCall:\nlm(formula = df$y ~ df$x)\n\nResiduals:\n Min 1Q Median 3Q Max \n-5.2143 -1.6327 -0.3534 0.6117 7.8789 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 6.5632 1.4643 4.482 0.000288 ***\ndf$x 0.6511 0.1222 5.327 4.6e-05 ***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 3.152 on 18 degrees of freedom\nMultiple R-squared: 0.6118, Adjusted R-squared: 0.5903 \nF-statistic: 28.37 on 1 and 18 DF, p-value: 4.603e-05\n\n#create scatterplot\n<\/span>plot(df$x, df$y, cex= 1.5<\/span> , pch= 19<\/span> )\n\n#add regression line to scatterplot\n<\/span>abline(linear_fit)<\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/spline2.jpg\")
<\/p>\n Langkah 3: Sesuaikan model regresi spline<\/strong><\/span><\/h2>\n
library<\/span> (splines)\n\n#fit spline regression model\n<\/span>spline_fit <- lm(df$y ~ bs(df$x, knots=c( 7<\/span> , 10<\/span> )))\n\n#view summary of spline regression model\n<\/span>summary(spline_fit)\n\nCall:\nlm(formula = df$y ~ bs(df$x, knots = c(7, 10)))\n\nResiduals:\n Min 1Q Median 3Q Max \n-2.84883 -0.94928 0.08675 0.78069 2.61073 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 2.073 1.451 1.429 0.175 \nbs(df$x, knots = c(7, 10))1 2.173 3.247 0.669 0.514 \nbs(df$x, knots = c(7, 10))2 19.737 2.205 8.949 3.63e-07 ***\nbs(df$x, knots = c(7, 10))3 3.256 2.861 1.138 0.274 \nbs(df$x, knots = c(7, 10))4 19.157 2.690 7.121 5.16e-06 ***\nbs(df$x, knots = c(7, 10))5 16.771 1.999 8.391 7.83e-07 ***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 1.568 on 14 degrees of freedom\nMultiple R-squared: 0.9253, Adjusted R-squared: 0.8987 \nF-statistic: 34.7 on 5 and 14 DF, p-value: 2.081e-07\n\n#calculate predictions using spline regression model\n<\/span>x_lim <- range(df$x)\nx_grid <- seq(x_lim[ 1<\/span> ], x_lim[ 2<\/span> ])\npreds <- predict(spline_fit, newdata=list(x=x_grid))\n\n#create scatter plot with spline regression predictions\n<\/span>plot(df$x, df$y, cex= 1.5<\/span> , pch= 19<\/span> )\nlines(x_grid, preds)<\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/spline3.jpg\")
<\/p>\n Sumber daya tambahan<\/strong><\/span><\/h2>\n
Bagaimana melakukan regresi eksponensial di R<\/a>
Bagaimana melakukan regresi kuadrat terkecil tertimbang di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"