Tuttavia, una volta adattato un modello di regressione, \u00e8 una buona idea produrre anche grafici diagnostici<\/strong> per analizzare i residui del modello e garantire che un modello lineare sia appropriato da utilizzare per i dati particolari con cui stiamo lavorando.<\/span><\/p>\n Questo tutorial spiega come creare e interpretare grafici diagnostici per un determinato modello di regressione in R.<\/span><\/p>\n Supponiamo di adattare un semplice modello di regressione lineare utilizzando le “ore studiate” per prevedere il “voto dell’esame” degli studenti in una determinata classe:<\/span><\/p>\n Possiamo utilizzare il comando plot()<\/strong> per produrre quattro grafici diagnostici per questo modello di regressione:<\/span> <\/p>\n Questo grafico viene utilizzato per identificare le osservazioni influenti. Se qualche punto su questo grafico non rientra nella distanza di Cook (le linee tratteggiate), allora questa \u00e8 un’osservazione influente.<\/span> <\/p>\n Nel nostro esempio, possiamo vedere che l’osservazione n. 10 \u00e8 la pi\u00f9 vicina al limite della distanza di Cook, ma non cade al di fuori della linea tratteggiata. Ci\u00f2 significa che non ci sono punti eccessivamente influenti nel nostro set di dati.<\/span><\/p>\n Questo grafico viene utilizzato per verificare l’ipotesi di uguaglianza della varianza (detta anche \u201comoschedasticit\u00e0\u201d) tra i residui del nostro modello di regressione. Se la linea rossa \u00e8 approssimativamente orizzontale sul grafico, probabilmente \u00e8 soddisfatta l’ipotesi di uguale varianza.<\/span> <\/p>\n Nel nostro esempio, possiamo vedere che la linea rossa non \u00e8 esattamente orizzontale sulla trama, ma non devia troppo in nessun punto. Probabilmente affermiamo che in questo caso l’ipotesi di eguale varianza non \u00e8 violata.<\/span><\/p>\n Correlato:<\/strong><\/span> Comprensione dell’eteroschedasticit\u00e0 nell’analisi di regressione<\/a><\/p>\n Questo grafico viene utilizzato per determinare se i residui del modello di regressione sono distribuiti normalmente. Se i punti su questo grafico si trovano approssimativamente lungo una linea diagonale retta, allora possiamo supporre che i residui siano distribuiti normalmente.<\/span> <\/p>\n Nel nostro esempio possiamo vedere che i punti si trovano all’incirca lungo la retta diagonale. Le osservazioni n. 10 e n. 8 si discostano leggermente dalla linea alle estremit\u00e0, ma non abbastanza per dichiarare che i residui non sono distribuiti normalmente.<\/span><\/p>\n Questo grafico viene utilizzato per determinare se i residui presentano modelli non lineari. Se la linea rossa al centro del grafico \u00e8 approssimativamente orizzontale, possiamo supporre che i residui seguano uno schema lineare.<\/span> <\/p>\n Nel nostro esempio possiamo vedere che la linea rossa si discosta da una linea orizzontale perfetta ma non in modo significativo. Probabilmente stiamo affermando che i residui seguono uno schema approssimativamente lineare e che un modello di regressione lineare \u00e8 appropriato per questo set di dati.<\/span><\/p>\n Le quattro ipotesi della regressione lineare<\/a> I modelli di regressione lineare vengono utilizzati per descrivere la relazione tra una o pi\u00f9 variabili predittive e una variabile di risposta. Tuttavia, una volta adattato un modello di regressione, \u00e8 una buona idea produrre anche grafici diagnostici per analizzare i residui del modello e garantire che un modello lineare sia appropriato da utilizzare per […]<\/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: creare e interpretare grafici diagnostici in R<\/strong><\/span><\/h3>\n
#create data frame<\/span>\ndf <- data. frame<\/span> (hours=c(1, 1, 2, 2, 2, 3, 3, 4, 4, 4, 4, 5, 5, 6),\n score=c(67, 65, 68, 77, 73, 79, 81, 88, 80, 67, 84, 93, 90, 91)) \n\n#fit linear regression model<\/span>\nmodel = lm(score ~ hours, data=df)\n<\/strong><\/pre>\n #produce diagnostic plots for regression model\n<\/span>plot(model)\n<\/strong><\/pre>\n![\"grafici](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/diagnostic1.png\")
<\/p>\n Grafico diagnostico n. 1: residui vs. Grafico della leva finanziaria<\/strong><\/span><\/h3>\n
![\"tracciare](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/diagnostic2.png\")
<\/p>\n Grafico diagnostico n. 2: diagramma di scala e posizione<\/strong><\/span><\/h3>\n
![\"tracciato](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/diagnostic3.png\")
<\/p>\n Traccia diagnostica n. 3: traccia QQ normale<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/diagnostic4.png\")
<\/p>\n Trama diagnostica n. 4: Residui vs. Trama modificata<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/diagnostic5.png\")
<\/p>\n Risorse addizionali<\/strong><\/span><\/h3>\n
Cosa sono i residui in statistica?<\/a>
Come creare una trama residua in R<\/a>
Come interpretare un grafico di scala e posizione<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"