Come calcolare i residui studentizzati in r
Un residuo di studente è semplicemente un residuo diviso per la sua deviazione standard stimata.
In pratica, generalmente diciamo che qualsiasi osservazione in un set di dati il cui residuo di studenti è maggiore di un valore assoluto di 3 è un valore anomalo.
Possiamo ottenere rapidamente i residui studentizzati di qualsiasi modello di regressione in R utilizzando la funzione studres() del pacchetto MASS, che utilizza la seguente sintassi:
borchie(modello)
dove modello rappresenta qualsiasi modello lineare.
Esempio: calcolo dei residui studentizzati in R
Supponiamo di costruire il seguente modello di regressione lineare semplice in R, utilizzando il set di dati mtcars integrato:
#build simple linear regression model
model <- lm(mpg ~ disp, data=mtcars)
Possiamo utilizzare la funzione studres() del pacchetto MASS per calcolare i residui studentizzati per ciascuna osservazione nel set di dati:
library (MASS) #calculate studentized residuals stud_resids <- studres(model) #view first three studentized residuals head(stud_resids, 3) Mazda RX4 Mazda RX4 Wag Datsun 710 -0.6236250 -0.6236250 -0.7405315
Possiamo anche creare un rapido grafico dei valori delle variabili predittive rispetto ai corrispondenti residui studiati:
#plot predictor variable vs. studentized residuals plot(mtcars$disp, stud_resids, ylab=' Studentized Residuals ', xlab=' Displacement ') #add horizontal line at 0 abline(0, 0)
Dal grafico possiamo vedere che nessuna delle osservazioni ha un residuo di studente con un valore assoluto maggiore di 3, quindi non ci sono valori anomali evidenti nel set di dati.
Se lo desideriamo, possiamo anche aggiungere nuovamente i residui studentizzati di ciascuna osservazione nel set di dati originale:
#add studentized residuals to orignal dataset final_data <- cbind (mtcars[c(' mpg ', ' disp ')], stud_resids) #view final dataset head(final_data) mpg disp stud_resids Mazda RX4 21.0 160 -0.6236250 Mazda RX4 Wag 21.0 160 -0.6236250 Datsun 710 22.8 108 -0.7405315 Hornet 4 Drive 21.4 258 0.7556078 Hornet Sportabout 18.7 360 1.2658336 Valiant 18.1 225 -0.6896297
Possiamo quindi ordinare ciascuna osservazione dalla più grande alla più piccola in base al residuo studentesco per avere un’idea di quali osservazioni sono più vicine ai valori anomali:
#sort studentized residuals descending final_data[ order (-stud_resids),] mpg disp stud_resids Toyota Corolla 33.9 71.1 2.52397102 Pontiac Firebird 19.2 400.0 2.06825391 Fiat 128 32.4 78.7 2.03684699 Lotus Europa 30.4 95.1 1.53905536 Honda Civic 30.4 75.7 1.27099586 Hornet Sportabout 18.7 360.0 1.26583364 Chrysler Imperial 14.7 440.0 1.06486066 Hornet 4 Drive 21.4 258.0 0.75560776 Porsche 914-2 26.0 120.3 0.42424678 Fiat X1-9 27.3 79.0 0.30183728 Merc 240D 24.4 146.7 0.26235893 Ford Pantera L 15.8 351.0 0.20825609 Cadillac Fleetwood 10.4 472.0 0.08338531 Lincoln Continental 10.4 460.0 -0.07863385 Duster 360 14.3 360.0 -0.14476167 Merc 450SL 17.3 275.8 -0.28759769 Dodge Challenger 15.5 318.0 -0.30826585 Merc 230 22.8 140.8 -0.30945955 Merc 450SE 16.4 275.8 -0.56742476 AMC Javelin 15.2 304.0 -0.58138205 Camaro Z28 13.3 350.0 -0.58848471 Mazda RX4 Wag 21.0 160.0 -0.62362497 Mazda RX4 21.0 160.0 -0.62362497 Maserati Bora 15.0 301.0 -0.68315010 Valiant 18.1 225.0 -0.68962974 Datsun 710 22.8 108.0 -0.74053152 Merc 450SLC 15.2 275.8 -0.94814699 Toyota Corona 21.5 120.1 -0.99751166 Volvo 142E 21.4 121.0 -1.01790487 Merc 280 19.2 167.6 -1.09979261 Ferrari Dino 19.7 145.0 -1.24732999 Merc 280C 17.8 167.6 -1.57258064
Risorse addizionali
Come eseguire una regressione lineare semplice in R
Come eseguire la regressione lineare multipla in R
Come creare una trama residua in R