Per eseguire una regressione robusta in R, possiamo utilizzare la funzione rlm()<\/strong> del pacchetto MASS<\/strong> , che utilizza la seguente sintassi:<\/span><\/p>\n L’esempio dettagliato seguente mostra come eseguire una regressione robusta in R per un determinato set di dati.<\/span><\/p>\n Innanzitutto, creiamo un set di dati falso con cui lavorare:<\/span><\/p>\n Successivamente, adattiamo un modello di regressione dei minimi quadrati ordinari e creiamo un grafico dei residui standardizzati<\/a> .<\/span><\/p>\n In pratica, spesso consideriamo come un valore anomalo qualsiasi residuo standardizzato il cui valore assoluto sia maggiore di 3.<\/span> <\/p>\n Dal grafico possiamo vedere che ci sono due osservazioni con residui standardizzati intorno a 3.<\/span><\/p>\n Ci\u00f2 indica che ci sono due potenziali valori anomali nel set di dati e quindi potremmo trarre vantaggio da una regressione robusta.<\/span><\/p>\n Successivamente, utilizziamo la funzione rlm()<\/strong> per adattare un modello di regressione robusto:<\/span><\/p>\n Per determinare se questo modello di regressione robusto fornisce un adattamento migliore ai dati rispetto al modello OLS, possiamo calcolare l\u2019errore standard residuo di ciascun modello.<\/span><\/p>\n L’errore standard residuo (RSE) \u00e8 un modo per misurare la deviazione standard dei residui in un modello di regressione. Pi\u00f9 basso \u00e8 il valore CSR, migliore \u00e8 la capacit\u00e0 del modello di adattare i dati.<\/span><\/p>\n Il seguente codice mostra come calcolare l’RSE per ciascun modello:<\/span><\/p>\n Possiamo vedere che l\u2019RSE del modello di regressione robusto \u00e8 molto inferiore a quello del modello di regressione dei minimi quadrati ordinari, il che ci dice che il modello di regressione robusto fornisce un adattamento migliore ai dati.<\/span><\/p>\n Come eseguire una regressione lineare semplice in R<\/a> La regressione robusta \u00e8 un metodo che possiamo utilizzare come alternativa alla regressione ordinaria dei minimi quadrati quando sono presenti valori anomali o osservazioni influenti nel set di dati con cui stiamo lavorando. Per eseguire una regressione robusta in R, possiamo utilizzare la funzione rlm() del pacchetto MASS , che utilizza la seguente sintassi: L’esempio […]<\/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 i dati<\/strong><\/span><\/h3>\n
#create data<\/span>\ndf <- data. frame<\/span> (x1=c(1, 3, 3, 4, 4, 6, 6, 8, 9, 3,\n 11, 16, 16, 18, 19, 20, 23, 23, 24, 25),\n x2=c(7, 7, 4, 29, 13, 34, 17, 19, 20, 12,\n 25, 26, 26, 26, 27, 29, 30, 31, 31, 32),\n y=c(17, 170, 19, 194, 24, 2, 25, 29, 30, 32,\n 44, 60, 61, 63, 63, 64, 61, 67, 59, 70))\n\n#view first six rows of data\n<\/span>head(df)\n\n x1 x2 y\n1 1 7 17\n2 3 7 170\n3 3 4 19\n4 4 29 194\n5 4 13 24\n6 6 34 2\n<\/strong><\/pre>\n Passaggio 2: eseguire la regressione ordinaria dei minimi quadrati<\/strong><\/span><\/h3>\n
#fit ordinary least squares regression model<\/span>\nols <- lm(y~x1+x2, data=df)\n\n#create plot of y-values vs. standardized residuals\n<\/span>plot(df$y, rstandard(ols), ylab=' Standardized Residuals<\/span> ', xlab=' y<\/span> ') \nabline(h= 0<\/span> )<\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/robusteregr1.png\")
<\/p>\n Passaggio 3: eseguire una regressione robusta<\/strong><\/span><\/h3>\n
library<\/span> (MASS)<\/span>\n\n#fit robust regression model<\/span>\nrobust <- rlm(y~x1+x2, data=df)<\/strong><\/pre>\n #find residual standard error of ols model\n<\/span>summary(ols)$sigma\n\n[1] 49.41848\n\n#find residual standard error of ols model\n<\/span>summary(robust)$sigma\n\n[1] 9.369349\n<\/strong><\/pre>\n Risorse addizionali<\/strong><\/span><\/h3>\n
Come eseguire la regressione lineare multipla in R<\/a>
Come eseguire la regressione polinomiale in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"