In de praktijk zeggen we over het algemeen dat elke waarneming<\/a> in een dataset waarvan het studentenresidu groter is dan de absolute waarde van 3, een uitbijter is.<\/span><\/p>\n We kunnen snel de gestudentiseerde residuen van elk regressiemodel in R verkrijgen met behulp van de functie studres()<\/strong> uit het MASS-pakket, dat de volgende syntaxis gebruikt:<\/span><\/p>\n Studres (model)<\/strong><\/span><\/p>\n waarbij model<\/em> elk lineair model vertegenwoordigt.<\/span><\/p>\n Stel dat we het volgende eenvoudige lineaire regressiemodel<\/a> in R bouwen, met behulp van de ingebouwde mtcars-<\/em> dataset:<\/span><\/p>\n We kunnen de functie studres()<\/strong> uit het MASS-pakket gebruiken om de gestudentiseerde residuen voor elke observatie in de dataset te berekenen:<\/span><\/p>\n We kunnen ook een snelle grafiek maken van de waarden van de voorspellende variabelen tegen de overeenkomstige bestudeerde residuen:<\/span> <\/p>\n Uit de grafiek kunnen we zien dat geen van de waarnemingen een leerlingresidu heeft met een absolute waarde groter dan 3, dus er zijn geen duidelijke uitschieters in de dataset.<\/span><\/p>\n We kunnen ook de gestudentiseerde residuen van elke waarneming in de originele dataset toevoegen als we dat willen:<\/span><\/p>\n We kunnen vervolgens elke waarneming sorteren van groot naar klein op basis van het studentenresidu om een idee te krijgen van welke waarnemingen het dichtst bij de uitschieters liggen:<\/span><\/p>\n Hoe eenvoudige lineaire regressie uit te voeren in R<\/a> Een studentenresidu is eenvoudigweg een residu gedeeld door de geschatte standaarddeviatie. In de praktijk zeggen we over het algemeen dat elke waarneming in een dataset waarvan het studentenresidu groter is dan de absolute waarde van 3, een uitbijter is. We kunnen snel de gestudentiseerde residuen van elk regressiemodel in R verkrijgen met behulp van de […]<\/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":[],"class_list":["post-1247","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Voorbeeld: het berekenen van gestudentiseerde residuen in R<\/strong><\/span><\/h3>\n
#build simple linear regression model<\/span>\nmodel <- lm(mpg ~ disp, data=mtcars)\n<\/strong><\/pre>\n library<\/span> (MASS)<\/span>\n\n#calculate studentized residuals<\/span>\nstud_resids <- studres(model)\n\n#view first three studentized residuals<\/span>\nhead(stud_resids, 3)\n\n Mazda RX4 Mazda RX4 Wag Datsun 710 \n -0.6236250 -0.6236250 -0.7405315 \n<\/strong><\/pre>\n #plot predictor variable vs. studentized residuals\n<\/span>plot(mtcars$disp, stud_resids, ylab=' Studentized Residuals<\/span> ', xlab=' Displacement<\/span> ') \n\n#add horizontal line at 0\n<\/span>abline(0, 0)<\/strong> <\/pre>\n![\"Studentized](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/etudiant1.png\")
<\/p>\n #add studentized residuals to orignal dataset\n<\/span>final_data <- cbind<\/span> (mtcars[c(' mpg<\/span> ', ' disp<\/span> ')], stud_resids)\n\n#view final dataset\n<\/span>head(final_data)\n\n mpg disp stud_resids\nMazda RX4 21.0 160 -0.6236250\nMazda RX4 Wag 21.0 160 -0.6236250\nDatsun 710 22.8 108 -0.7405315\nHornet 4 Drive 21.4 258 0.7556078\nHornet Sportabout 18.7 360 1.2658336\nValiant 18.1 225 -0.6896297<\/strong><\/pre>\n #sort studentized residuals descending\n<\/span>final_data[ order<\/span> (-stud_resids),]\n\n mpg disp stud_resids\nToyota Corolla 33.9 71.1 2.52397102\nPontiac Firebird 19.2 400.0 2.06825391\nFiat 128 32.4 78.7 2.03684699\nLotus Europa 30.4 95.1 1.53905536\nHonda Civic 30.4 75.7 1.27099586\nHornet Sportabout 18.7 360.0 1.26583364\nChrysler Imperial 14.7 440.0 1.06486066\nHornet 4 Drive 21.4 258.0 0.75560776\nPorsche 914-2 26.0 120.3 0.42424678\nFiat X1-9 27.3 79.0 0.30183728\nMerc 240D 24.4 146.7 0.26235893\nFord Pantera L 15.8 351.0 0.20825609\nCadillac Fleetwood 10.4 472.0 0.08338531\nLincoln Continental 10.4 460.0 -0.07863385\nDuster 360 14.3 360.0 -0.14476167\nMerc 450SL 17.3 275.8 -0.28759769\nDodge Challenger 15.5 318.0 -0.30826585\nMerc 230 22.8 140.8 -0.30945955\nMerc 450SE 16.4 275.8 -0.56742476\nAMC Javelin 15.2 304.0 -0.58138205\nCamaro Z28 13.3 350.0 -0.58848471\nMazda RX4 Wag 21.0 160.0 -0.62362497\nMazda RX4 21.0 160.0 -0.62362497\nMaserati Bora 15.0 301.0 -0.68315010\nValiant 18.1 225.0 -0.68962974\nDatsun 710 22.8 108.0 -0.74053152\nMerc 450SLC 15.2 275.8 -0.94814699\nToyota Corona 21.5 120.1 -0.99751166\nVolvo 142E 21.4 121.0 -1.01790487\nMerc 280 19.2 167.6 -1.09979261\nFerrari Dino 19.7 145.0 -1.24732999\nMerc 280C 17.8 167.6 -1.57258064\n<\/strong><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe meervoudige lineaire regressie uit te voeren in R<\/a>
Hoe maak je een restplot in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"