Allo stesso modo, un\u2019osservazione \u00e8 considerata ad alta leva<\/strong> se ha uno o pi\u00f9 valori per le variabili predittive che sono molto pi\u00f9 estremi rispetto al resto delle osservazioni nel set di dati.<\/span><\/p>\n Uno dei primi passi in qualsiasi tipo di analisi \u00e8 quello di esaminare pi\u00f9 da vicino le osservazioni che hanno un\u2019elevata leva finanziaria, poich\u00e9 potrebbero avere un grande impatto sui risultati di un determinato modello.<\/span><\/p>\n Questo tutorial mostra un esempio passo passo di come calcolare e visualizzare la leva finanziaria per ciascuna osservazione in un modello in R.<\/span><\/p>\n Innanzitutto, creeremo un modello di regressione lineare multipla<\/a> utilizzando il set di dati mtcars<\/strong> integrato in R:<\/span><\/p>\n Successivamente, utilizzeremo la funzione hatvalues()<\/strong> per calcolare la leva per ciascuna osservazione nel modello:<\/span><\/p>\n In genere, esaminiamo pi\u00f9 da vicino le osservazioni con un valore di leva maggiore di 2.<\/span><\/p>\n Un modo semplice per farlo \u00e8 ordinare le osservazioni in base al loro valore di leva, in ordine decrescente:<\/span><\/p>\n Possiamo vedere che il valore di leva finanziaria pi\u00f9 alto \u00e8 0,4966<\/strong> . Poich\u00e9 questo numero non \u00e8 maggiore di 2, sappiamo che nessuna delle osservazioni nel nostro set di dati ha un effetto leva elevato.<\/span><\/p>\n Infine, possiamo creare un grafico rapido per visualizzare la leva per ciascuna osservazione:<\/span> <\/p>\n L’asse x mostra l’indice di ciascuna osservazione nel set di dati e il valore y mostra la statistica di leva corrispondente per ciascuna osservazione.<\/span><\/p>\n Come eseguire una regressione lineare semplice in R<\/a> In statistica, un’osservazione \u00e8 considerata un valore anomalo se il suo valore per la variabile di risposta \u00e8 molto maggiore rispetto al resto delle osservazioni nel set di dati. Allo stesso modo, un\u2019osservazione \u00e8 considerata ad alta leva se ha uno o pi\u00f9 valori per le variabili predittive che sono molto pi\u00f9 estremi rispetto al […]<\/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 Passaggio 1: creare un modello di regressione<\/strong><\/span><\/h3>\n
#load the dataset<\/span>\ndata(mtcars)\n\n#fit a regression model<\/span>\nmodel <- lm(mpg~disp+hp, data=mtcars)\n\n#view model summary\n<\/span>summary(model)\n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 30.735904 1.331566 23.083 < 2nd-16 ***\navailable -0.030346 0.007405 -4.098 0.000306 ***\nhp -0.024840 0.013385 -1.856 0.073679 . \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 3.127 on 29 degrees of freedom\nMultiple R-squared: 0.7482, Adjusted R-squared: 0.7309 \nF-statistic: 43.09 on 2 and 29 DF, p-value: 2.062e-09\n<\/strong><\/pre>\n Passaggio 2: calcolare la leva finanziaria per ciascuna osservazione<\/strong><\/span><\/h3>\n
#calculate leverage for each observation in the model\n<\/span>hats <- as<\/span> . data<\/span> . frame<\/span> (hatvalues(model))\n\n#display leverage stats for each observation\n<\/span>hats\n\n hatvalues(model)\nMazda RX4 0.04235795\nMazda RX4 Wag 0.04235795\nDatsun 710 0.06287776\nHornet 4 Drive 0.07614472\nHornet Sportabout 0.08097817\nValiant 0.05945972\nDuster 360 0.09828955\nMerc 240D 0.08816960\nMerc 230 0.05102253\nMerc 280 0.03990060\nMerc 280C 0.03990060\nMerc 450SE 0.03890159\nMerc 450SL 0.03890159\nMerc 450SLC 0.03890159\nCadillac Fleetwood 0.19443875\nLincoln Continental 0.16042361\nChrysler Imperial 0.12447530\nFiat 128 0.08346304\nHonda Civic 0.09493784\nToyota Corolla 0.08732818\nToyota Corona 0.05697867\nDodge Challenger 0.06954069\nAMC Javelin 0.05767659\nCamaro Z28 0.10011654\nPontiac Firebird 0.12979822\nFiat X1-9 0.08334018\nPorsche 914-2 0.05785170\nLotus Europa 0.08193899\nFord Pantera L 0.13831817\nFerrari Dino 0.12608583\nMaserati Bora 0.49663919\nVolvo 142E 0.05848459\n<\/strong><\/pre>\n #sort observations by leverage, descending<\/span>\nhats[ order<\/span> (-hats[' hatvalues(model)<\/span> ']), ]\n\n [1] 0.49663919 0.19443875 0.16042361 0.13831817 0.12979822 0.12608583\n [7] 0.12447530 0.10011654 0.09828955 0.09493784 0.08816960 0.08732818\n[13] 0.08346304 0.08334018 0.08193899 0.08097817 0.07614472 0.06954069\n[19] 0.06287776 0.05945972 0.05848459 0.05785170 0.05767659 0.05697867\n[25] 0.05102253 0.04235795 0.04235795 0.03990060 0.03990060 0.03890159\n[31] 0.03890159 0.03890159\n<\/strong><\/pre>\n Passaggio 3: Visualizza la leva per ciascuna osservazione<\/strong><\/span><\/h3>\n
#plot leverage values for each observation<\/span>\nplot(hatvalues(model), type = ' h<\/span> ')\n<\/strong><\/pre>\n![\"leva](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/effet-de-levier1.png\")
<\/p>\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":"