{"id":1228,"date":"2023-07-27T05:25:49","date_gmt":"2023-07-27T05:25:49","guid":{"rendered":"https:\/\/statorials.org\/nl\/locatie-op-schaal\/"},"modified":"2023-07-27T05:25:49","modified_gmt":"2023-07-27T05:25:49","slug":"locatie-op-schaal","status":"publish","type":"post","link":"https:\/\/statorials.org\/nl\/locatie-op-schaal\/","title":{"rendered":"Een schaal- en locatieplot interpreteren: met voorbeelden"},"content":{"rendered":"

<\/p>\n

\n

Een geschaald locatiediagram<\/strong> is een type diagram dat de aangepaste waarden van een regressiemodel<\/a> langs de x-as en de vierkantswortel van de gestandaardiseerde residuen langs de y-as weergeeft.<\/span> <\/p>\n

\"Geschaald<\/p>\n

Als we naar deze grafiek kijken, controleren we twee dingen:<\/span><\/p>\n

1.<\/strong> Controleer of de rode lijn ongeveer horizontaal op de plot ligt. Als dit het geval is, is voor een bepaald regressiemodel waarschijnlijk voldaan aan de aanname van homoscedasticiteit<\/a> . Dat wil zeggen dat de verdeling van de residuen ongeveer gelijk is voor alle gefitte waarden.<\/span><\/p>\n

2.<\/strong> Controleer of er geen duidelijke trend is tussen de residuen. Met andere woorden: de residuen moeten willekeurig rond de rode lijn worden verspreid met ongeveer gelijke variabiliteit voor alle aangepaste waarden.<\/span><\/p>\n

Schaal- en locatieplots in R<\/strong><\/span><\/h3>\n

We kunnen de volgende code gebruiken om een eenvoudig lineair regressiemodel in R te passen en een schaal- en locatieplot voor het resulterende model te maken:<\/span> <\/p>\n

 #fit simple linear regression model\n<\/span>model <- lm(Ozone ~ Temp, data = airquality)\n\n#produce scale-location plot\n<\/span>plot(model)\n<\/strong><\/pre>\n
\"Schaallocatieplot<\/p>\n
 We kunnen de volgende twee dingen waarnemen op basis van de schaallocatiegrafiek van dit regressiemodel.<\/span><\/p>\n
 1.<\/strong> De rode lijn ligt ongeveer horizontaal op het perceel. Als dit het geval is, wordt voor een gegeven regressiemodel voldaan aan de aanname van homoscedasticiteit<\/a> . Dat wil zeggen dat de verdeling van de residuen ongeveer gelijk is voor alle gefitte waarden.<\/span><\/p>\n
 2.<\/strong> Controleer of er geen duidelijke trend is tussen de residuen. Met andere woorden: de residuen moeten willekeurig rond de rode lijn worden verspreid met ongeveer gelijke variabiliteit voor alle aangepaste waarden.<\/span><\/p>\n
\n
 Technische opmerkingen<\/strong><\/span><\/p>\n
 De drie waarnemingen uit de dataset met de hoogste gestandaardiseerde residuen zijn in de grafiek gelabeld.<\/span><\/p>\n
 We kunnen zien dat waarnemingen in regels 30, 62 en 117 de hoogste gestandaardiseerde residuen hebben.<\/span><\/p>\n
 Dit betekent niet noodzakelijkerwijs dat deze waarnemingen uitschieters zijn, maar wellicht wilt u de oorspronkelijke gegevens bekijken om deze waarnemingen nader te onderzoeken.<\/span><\/p>\n<\/blockquote>\n
 Hoewel we kunnen zien dat de rode lijn ruwweg horizontaal ligt op de schaallocatieplot, dient dit alleen als een visuele manier om te zien of aan de aanname van homoscedasticiteit is voldaan.<\/span><\/p>\n
 Een formele statistische test die we kunnen gebruiken om te zien of aan de aanname van homoscedasticiteit is voldaan, is de Breusch-Pagan-test<\/a> .<\/span><\/p>\n
 Breusch-Pagan-test in R<\/strong><\/span><\/h3>\n
 De volgende code laat zien hoe u de functie bptest()<\/strong> van het lmtest-<\/strong> pakket gebruikt om een Breusch-Pagan-test uit te voeren in R:<\/span><\/p>\n
 #load lmtest package\n<\/span>library(lmtest)\n\n#perform Breusch-Pagan Test\n<\/span>bptest(model)\n\n\tstudentized Breusch-Pagan test\n\ndata: model\nBP = 1.4798, df = 1, p-value = 0.2238\n<\/strong><\/pre>\n
 Een Breusch-Pagan-test gebruikt de volgende nul- en alternatieve hypothesen:<\/span><\/p>\n