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 door studenten verkregen residuen van een regressiemodel in Python verkrijgen met behulp van de functie OLSResults.outlier_test()<\/a> van statsmodels, die de volgende syntaxis gebruikt:<\/span><\/p>\n OLSResults.outlier_test()<\/strong><\/span><\/p>\n waarbij OLSResults<\/i> de naam is van een lineair model dat past met behulp van de statsmodels ols()<\/strong> functie.<\/span><\/p>\n Stel dat we het volgende eenvoudige lineaire regressiemodel<\/a> in Python bouwen:<\/span><\/p>\n We kunnen de functie outlier_test()<\/strong> gebruiken om een DataFrame te produceren dat de studentized residuen bevat voor elke observatie in de dataset:<\/span><\/p>\n Dit DataFrame geeft voor elke waarneming in de dataset de volgende waarden weer:<\/span><\/p>\n We kunnen zien dat het gestudentiseerde residu voor de eerste observatie in de dataset -0.486471<\/strong> is, het gestudentiseerde residu voor de tweede observatie is -0.491937<\/strong> , enzovoort.<\/span><\/p>\n We kunnen ook een snelle grafiek maken van de waarden van de voorspellende variabelen tegen de overeenkomstige gestudentiseerde 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 Hoe eenvoudige lineaire regressie uit te voeren in Python<\/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 door studenten verkregen residuen van een regressiemodel in Python verkrijgen met behulp […]<\/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-1248","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Voorbeeld: berekening van gestudentiseerde residuen in Python<\/strong><\/span><\/h3>\n
#import necessary packages and functions\n<\/span>import<\/span> numpy as<\/span> np\nimport<\/span> pandas as<\/span> pd\nimport<\/span> statsmodels. api<\/span> as<\/span> sm\nfrom<\/span> statsmodels. formula<\/span> . api<\/span> import<\/span> ols\n\n#create dataset<\/span>\ndf = pd. DataFrame<\/span> ({'rating': [90, 85, 82, 88, 94, 90, 76, 75, 87, 86],\n 'points': [25, 20, 14, 16, 27, 20, 12, 15, 14, 19]})\n\n#fit simple linear regression model<\/span>\nmodel = ols('rating ~ points', data=df). fit<\/span> ()\n<\/strong><\/pre>\n #calculate studentized residuals<\/span>\nstud_res = model. outlier_test<\/span> ()\n\n#display studentized residuals<\/span>\nprint(stud_res)\n\n student_resid unadj_p bonf(p)\n0 -0.486471 0.641494 1.000000\n1 -0.491937 0.637814 1.000000\n2 0.172006 0.868300 1.000000\n3 1.287711 0.238781 1.000000\n4 0.106923 0.917850 1.000000\n5 0.748842 0.478355 1.000000\n6 -0.968124 0.365234 1.000000\n7 -2.409911 0.046780 0.467801\n8 1.688046 0.135258 1.000000\n9 -0.014163 0.989095 1.000000\n<\/strong><\/pre>\n\n
import<\/span> matplotlib. pyplot<\/span> as<\/span> plt<\/span>\n\n#define predictor variable values and studentized residuals\n<\/span>x = df[' points<\/span> ']\ny = stud_res[' student_resid<\/span> ']\n\n#create scatterplot of predictor variable vs. studentized residuals\n<\/span>plt. scatter<\/span> (x,y)\nplt. axhline<\/span> (y=0, color=' black<\/span> ', linestyle=' --<\/span> ')\nplt. xlabel<\/span> (' Points<\/span> ')\nplt. ylabel<\/span> (' Studentized Residuals<\/span> ') \n<\/strong><\/pre>\n![\"Studentized](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/etudiants1.png\")
<\/p>\n Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe u meerdere lineaire regressies uitvoert in Python<\/a>
Hoe u een restplot maakt in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"