Tuttavia, uno dei presupposti<\/a> chiave della regressione lineare multipla \u00e8 che esista una relazione lineare tra ciascuna variabile predittrice e la variabile di risposta.<\/span><\/p>\n Se questa ipotesi non viene soddisfatta, i risultati del modello di regressione potrebbero non essere affidabili.<\/span><\/p>\n Un modo per verificare questo presupposto \u00e8 creare un grafico dei residui parziali<\/strong> , che mostri i residui<\/a> di una variabile predittore rispetto alla variabile di risposta.<\/span><\/p>\n L’esempio seguente mostra come creare grafici dei residui parziali per un modello di regressione in R.<\/span><\/p>\n Supponiamo di adattare un modello di regressione con tre variabili predittive in R:<\/span><\/p>\n Possiamo utilizzare la funzione crPlots()<\/strong> del pacchetto auto<\/strong> in R per creare grafici residui parziali per ciascuna variabile predittrice nel modello:<\/span> <\/p>\n La linea blu mostra i residui attesi se la relazione tra il predittore e la variabile di risposta fosse lineare. La linea rosa mostra i residui effettivi.<\/span><\/p>\n Se le due linee sono significativamente diverse, ci\u00f2 indica una relazione non lineare.<\/span><\/p>\n Dai grafici sopra possiamo vedere che i residui per x2 e x3 appaiono non lineari.<\/span><\/p>\n Ci\u00f2 viola il presupposto di linearit\u00e0 della regressione lineare multipla. Un modo per risolvere questo problema \u00e8 utilizzare una trasformazione di radice quadrata o cubica sulle variabili predittive:<\/span> <\/p>\n Dai grafici dei residui parziali, possiamo vedere che x2 ora ha una relazione pi\u00f9 lineare con la variabile di risposta.<\/span><\/p>\n La variabile predittrice x3 \u00e8 ancora in qualche modo non lineare, quindi potremmo decidere di provare un’altra trasformazione o eventualmente rimuovere del tutto la variabile dal modello.<\/span><\/p>\n I seguenti tutorial spiegano come creare altri grafici comuni in R:<\/span><\/p>\n Come creare grafici diagnostici in R<\/a> La regressione lineare multipla \u00e8 un metodo statistico che possiamo utilizzare per comprendere la relazione tra pi\u00f9 variabili predittive e una variabile di risposta . Tuttavia, uno dei presupposti chiave della regressione lineare multipla \u00e8 che esista una relazione lineare tra ciascuna variabile predittrice e la variabile di risposta. Se questa ipotesi non viene soddisfatta, […]<\/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: come creare grafici residui parziali in R<\/strong><\/span><\/h3>\n
#make this example reproducible\n<\/span>set. seeds<\/span> (0)\n\n#define response variable\n<\/span>y <- c(1:1000)\n\n#define three predictor variables\n<\/span>x1 <- c(1:1000)*runif(n=1000)\nx2 <- (c(1:1000)*rnorm(n=1000))^2\nx3 <- (c(1:1000)*rnorm(n=1000))^3\n\n#fit multiple linear regression model\n<\/span>model <- lm(y~x1+x2+x3))<\/strong><\/pre>\n library<\/span> (car)\n\n#create partial residual plots\n<\/span>crPlots(model)\n<\/strong><\/pre>\n![\"appezzamenti](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/partiel1.jpg\")
<\/p>\n library<\/span> (car)\n\n#fit new model with transformed predictor variables\n<\/span>model_transformed <- lm(y~x1+sqrt(x2)+log10(x3^(1\/3)))\n\n#create partial residual plots for new model\n<\/span>crPlots(model_transformed)\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/partiel2.jpg\")
<\/p>\n Risorse addizionali<\/strong><\/span><\/h3>\n
Come creare un grafico in scala e posizione in R<\/a>
Come creare una trama residua in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"