In pratica, generalmente diciamo che qualsiasi osservazione<\/a> in un set di dati il cui residuo di studenti \u00e8 maggiore di un valore assoluto di 3 \u00e8 un valore anomalo.<\/span><\/p>\n Possiamo ottenere rapidamente i residui studentizzati di qualsiasi modello di regressione in R utilizzando la funzione studres()<\/strong> del pacchetto MASS, che utilizza la seguente sintassi:<\/span><\/p>\n borchie(modello)<\/strong><\/span><\/p>\n dove modello<\/em> rappresenta qualsiasi modello lineare.<\/span><\/p>\n Supponiamo di costruire il seguente modello di regressione lineare semplice<\/a> in R, utilizzando il set di dati mtcars<\/em> integrato:<\/span><\/p>\n Possiamo utilizzare la funzione studres()<\/strong> del pacchetto MASS per calcolare i residui studentizzati per ciascuna osservazione nel set di dati:<\/span><\/p>\n Possiamo anche creare un rapido grafico dei valori delle variabili predittive rispetto ai corrispondenti residui studiati:<\/span> <\/p>\n 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.<\/span><\/p>\n Se lo desideriamo, possiamo anche aggiungere nuovamente i residui studentizzati di ciascuna osservazione nel set di dati originale:<\/span><\/p>\n Possiamo quindi ordinare ciascuna osservazione dalla pi\u00f9 grande alla pi\u00f9 piccola in base al residuo studentesco per avere un’idea di quali osservazioni sono pi\u00f9 vicine ai valori anomali:<\/span><\/p>\n Come eseguire una regressione lineare semplice in R<\/a> Un residuo di studente \u00e8 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 \u00e8 maggiore di un valore assoluto di 3 \u00e8 un valore anomalo. Possiamo ottenere rapidamente i residui studentizzati di qualsiasi modello di regressione […]<\/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 Esempio: calcolo dei residui studentizzati in R<\/strong><\/span><\/h3>\n
#build simple linear regression model<\/span>\nmodel <- lm(mpg ~ disp, data=mtcars)\n<\/strong><\/pre>\n library<\/span> (MASS)<\/span>\n\n#calculate studentized residuals<\/span>\nstud_resids <- studres(model)\n\n#view first three studentized residuals<\/span>\nhead(stud_resids, 3)\n\n Mazda RX4 Mazda RX4 Wag Datsun 710 \n -0.6236250 -0.6236250 -0.7405315 \n<\/strong><\/pre>\n #plot predictor variable vs. studentized residuals\n<\/span>plot(mtcars$disp, stud_resids, ylab=' Studentized Residuals<\/span> ', xlab=' Displacement<\/span> ') \n\n#add horizontal line at 0\n<\/span>abline(0, 0)<\/strong> <\/pre>\n![\"Residui](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/etudiant1.png\")
<\/p>\n #add studentized residuals to orignal dataset\n<\/span>final_data <- cbind<\/span> (mtcars[c(' mpg<\/span> ', ' disp<\/span> ')], stud_resids)\n\n#view final dataset\n<\/span>head(final_data)\n\n mpg disp stud_resids\nMazda RX4 21.0 160 -0.6236250\nMazda RX4 Wag 21.0 160 -0.6236250\nDatsun 710 22.8 108 -0.7405315\nHornet 4 Drive 21.4 258 0.7556078\nHornet Sportabout 18.7 360 1.2658336\nValiant 18.1 225 -0.6896297<\/strong><\/pre>\n #sort studentized residuals descending\n<\/span>final_data[ order<\/span> (-stud_resids),]\n\n mpg disp stud_resids\nToyota Corolla 33.9 71.1 2.52397102\nPontiac Firebird 19.2 400.0 2.06825391\nFiat 128 32.4 78.7 2.03684699\nLotus Europa 30.4 95.1 1.53905536\nHonda Civic 30.4 75.7 1.27099586\nHornet Sportabout 18.7 360.0 1.26583364\nChrysler Imperial 14.7 440.0 1.06486066\nHornet 4 Drive 21.4 258.0 0.75560776\nPorsche 914-2 26.0 120.3 0.42424678\nFiat X1-9 27.3 79.0 0.30183728\nMerc 240D 24.4 146.7 0.26235893\nFord Pantera L 15.8 351.0 0.20825609\nCadillac Fleetwood 10.4 472.0 0.08338531\nLincoln Continental 10.4 460.0 -0.07863385\nDuster 360 14.3 360.0 -0.14476167\nMerc 450SL 17.3 275.8 -0.28759769\nDodge Challenger 15.5 318.0 -0.30826585\nMerc 230 22.8 140.8 -0.30945955\nMerc 450SE 16.4 275.8 -0.56742476\nAMC Javelin 15.2 304.0 -0.58138205\nCamaro Z28 13.3 350.0 -0.58848471\nMazda RX4 Wag 21.0 160.0 -0.62362497\nMazda RX4 21.0 160.0 -0.62362497\nMaserati Bora 15.0 301.0 -0.68315010\nValiant 18.1 225.0 -0.68962974\nDatsun 710 22.8 108.0 -0.74053152\nMerc 450SLC 15.2 275.8 -0.94814699\nToyota Corona 21.5 120.1 -0.99751166\nVolvo 142E 21.4 121.0 -1.01790487\nMerc 280 19.2 167.6 -1.09979261\nFerrari Dino 19.7 145.0 -1.24732999\nMerc 280C 17.8 167.6 -1.57258064\n<\/strong><\/pre>\n Risorse addizionali<\/strong><\/span><\/h3>\n
Come eseguire la regressione lineare multipla in R<\/a>
Come creare una trama residua in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"