Un modo per calcolare l\u2019influenza delle osservazioni \u00e8 utilizzare una metrica nota come DFITS<\/strong> , che sta per \u201cdifferenza negli adattamenti\u201d.<\/span><\/p>\n Questa metrica ci dice quanto cambiano le previsioni fatte da un modello di regressione quando omettiamo un’osservazione individuale.<\/span><\/p>\n Questo tutorial mostra un esempio passo passo di come calcolare e visualizzare DFFIT per ogni 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 integrata dffits()<\/strong> per calcolare il valore DFFITS per ciascuna osservazione nel modello:<\/span><\/p>\n Tipicamente, osserviamo pi\u00f9 da vicino le osservazioni con valori DFITS superiori alla soglia di 2\u221a p\/n<\/span> dove:<\/span><\/p>\n In questo esempio, la soglia sarebbe 0,5<\/strong> :<\/span><\/p>\n Possiamo ordinare le osservazioni in base ai loro valori DFITS per vedere se qualcuna di esse supera la soglia:<\/span><\/p>\n Possiamo vedere che le prime cinque osservazioni hanno un valore DFITS maggiore di 0,5, il che significa che potremmo voler studiare queste osservazioni pi\u00f9 da vicino per determinare se hanno una grande influenza sul modello.<\/span><\/p>\n Infine, possiamo creare un rapido grafico per visualizzare i DFFIT per ciascuna osservazione:<\/span> <\/p>\n L’asse x mostra l’indice di ciascuna osservazione nel set di dati e il valore y mostra il valore DFITS corrispondente per ciascuna osservazione.<\/span><\/p>\n Come eseguire una regressione lineare semplice in R<\/a> In statistica, spesso vogliamo sapere quale influenza hanno le diverse osservazioni sui modelli di regressione. Un modo per calcolare l\u2019influenza delle osservazioni \u00e8 utilizzare una metrica nota come DFITS , che sta per \u201cdifferenza negli adattamenti\u201d. Questa metrica ci dice quanto cambiano le previsioni fatte da un modello di regressione quando omettiamo un’osservazione individuale. Questo […]<\/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 DFFIT per ciascuna osservazione<\/strong><\/span><\/h3>\n
#calculate DFFITS for each observation in the model\n<\/span>dffits <- as<\/span> . data<\/span> . frame<\/span> (dffits(model))\n\n#display DFFITS for each observation\n<\/span>challenges\n\n dffits(model)\nMazda RX4 -0.14633456\nMazda RX4 Wag -0.14633456\nDatsun 710 -0.19956440\nHornet 4 Drive 0.11540062\nHornet Sportabout 0.32140303\nValiant -0.26586716\nDuster 360 0.06282342\nMerc 240D -0.03521572\nMerc 230 -0.09780612\nMerc 280 -0.22680622\nMerc 280C -0.32763355\nMerc 450SE -0.09682952\nMerc 450SL -0.03841129\nMerc 450SLC -0.17618948\nCadillac Fleetwood -0.15860270\nLincoln Continental -0.15567627\nChrysler Imperial 0.39098449\nFiat 128 0.60265798\nHonda Civic 0.35544919\nToyota Corolla 0.78230167\nToyota Corona -0.25804885\nDodge Challenger -0.16674639\nAMC Javelin -0.20965432\nCamaro Z28 -0.08062828\nPontiac Firebird 0.67858692\nFiat X1-9 0.05951528\nPorsche 914-2 0.09453310\nLotus Europa 0.55650363\nFord Pantera L 0.31169050\nFerrari Dino -0.29539098\nMaserati Bora 0.76464932\nVolvo 142E -0.24266054\n<\/strong><\/pre>\n\n
#find number of predictors in model\n<\/span>p <- length<\/span> (model$coefficients)-1\n\n#find number of observations<\/span>\nn <- nrow<\/span> (mtcars)\n\n#calculate DFFITS threshold value<\/span>\nthresh <- 2* sqrt<\/span> (p\/n)\n\nthresh\n\n[1] 0.5\n<\/strong><\/pre>\n #sort observations by DFFITS, descending<\/span>\ndffits[ order<\/span> (-dffits[' dffits(model)<\/span> ']), ]\n\n [1] 0.78230167 0.76464932 0.67858692 0.60265798 0.55650363 0.39098449\n [7] 0.35544919 0.32140303 0.31169050 0.11540062 0.09453310 0.06282342\n[13] 0.05951528 -0.03521572 -0.03841129 -0.08062828 -0.09682952 -0.09780612\n[19] -0.14633456 -0.14633456 -0.15567627 -0.15860270 -0.16674639 -0.17618948\n[25] -0.19956440 -0.20965432 -0.22680622 -0.24266054 -0.25804885 -0.26586716\n[31] -0.29539098 -0.32763355\n<\/strong><\/pre>\n Passaggio 3: Visualizza i DFFIT per ciascuna osservazione<\/strong><\/span><\/h3>\n
#plot DFFITS values for each observation<\/span>\nplot(dffits(model), type = ' h<\/span> ')\n\n#add horizontal lines at absolute values for threshold<\/span>\nabline(h = thresh, lty = 2)\nabline(h = -thresh, lty = 2)\n<\/strong><\/pre>\n![\"DFIT](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/dffits1.png\")
<\/p>\n Risorse addizionali<\/strong><\/span><\/h3>\n
Come eseguire la regressione lineare multipla in R<\/a>
Come calcolare le statistiche sulla leva finanziaria in R<\/a>
Come creare una trama residua in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"