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 un modello di regressione in Python utilizzando la funzione OLSResults.outlier_test()<\/a> di statsmodels, che utilizza la seguente sintassi:<\/span><\/p>\n OLSResults.outlier_test()<\/strong><\/span><\/p>\n dove OLSResults<\/i> \u00e8 il nome di un modello lineare che utilizza la funzione statsmodels ols()<\/strong> .<\/span><\/p>\n Supponiamo di costruire il seguente semplice modello di regressione lineare<\/a> in Python:<\/span><\/p>\n Possiamo utilizzare la funzione outlier_test()<\/strong> per produrre un DataFrame che contiene i residui studentizzati per ogni osservazione nel set di dati:<\/span><\/p>\n Questo DataFrame visualizza i seguenti valori per ciascuna osservazione nel set di dati:<\/span><\/p>\n Possiamo vedere che il residuo studentizzato per la prima osservazione nel set di dati \u00e8 -0.486471<\/strong> , il residuo studentizzato per la seconda osservazione \u00e8 -0.491937<\/strong> , e cos\u00ec via.<\/span><\/p>\n Possiamo anche creare un rapido grafico dei valori delle variabili predittive rispetto ai corrispondenti residui studentizzati:<\/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 Come eseguire una semplice regressione lineare in Python<\/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 un 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 Python<\/strong><\/span><\/h3>\n
#import necessary packages and functions\n<\/span>import<\/span> numpy as<\/span> np\nimport<\/span> pandas as<\/span> pd\nimport<\/span> statsmodels. api<\/span> as<\/span> sm\nfrom<\/span> statsmodels. formula<\/span> . api<\/span> import<\/span> ols\n\n#create dataset<\/span>\ndf = pd. DataFrame<\/span> ({'rating': [90, 85, 82, 88, 94, 90, 76, 75, 87, 86],\n 'points': [25, 20, 14, 16, 27, 20, 12, 15, 14, 19]})\n\n#fit simple linear regression model<\/span>\nmodel = ols('rating ~ points', data=df). fit<\/span> ()\n<\/strong><\/pre>\n #calculate studentized residuals<\/span>\nstud_res = model. outlier_test<\/span> ()\n\n#display studentized residuals<\/span>\nprint(stud_res)\n\n student_resid unadj_p bonf(p)\n0 -0.486471 0.641494 1.000000\n1 -0.491937 0.637814 1.000000\n2 0.172006 0.868300 1.000000\n3 1.287711 0.238781 1.000000\n4 0.106923 0.917850 1.000000\n5 0.748842 0.478355 1.000000\n6 -0.968124 0.365234 1.000000\n7 -2.409911 0.046780 0.467801\n8 1.688046 0.135258 1.000000\n9 -0.014163 0.989095 1.000000\n<\/strong><\/pre>\n\n
import<\/span> matplotlib. pyplot<\/span> as<\/span> plt<\/span>\n\n#define predictor variable values and studentized residuals\n<\/span>x = df[' points<\/span> ']\ny = stud_res[' student_resid<\/span> ']\n\n#create scatterplot of predictor variable vs. studentized residuals\n<\/span>plt. scatter<\/span> (x,y)\nplt. axhline<\/span> (y=0, color=' black<\/span> ', linestyle=' --<\/span> ')\nplt. xlabel<\/span> (' Points<\/span> ')\nplt. ylabel<\/span> (' Studentized Residuals<\/span> ') \n<\/strong><\/pre>\n![\"Residui](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/etudiants1.png\")
<\/p>\n Risorse addizionali<\/strong><\/span><\/h3>\n
Come eseguire regressioni lineari multiple in Python<\/a>
Come creare un grafico residuo in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"