Op dezelfde manier wordt een waarneming als een hoge hefboomwerking<\/strong> beschouwd als deze een of meer waarden heeft voor de voorspellende variabelen die veel extremer zijn in vergelijking met de rest van de waarnemingen in de dataset.<\/span><\/p>\n Een van de eerste stappen bij elk type analyse is het nader bekijken van waarnemingen die een grote invloed hebben, aangezien deze een grote impact kunnen hebben op de resultaten van een bepaald model.<\/span><\/p>\n Deze tutorial toont een stapsgewijs voorbeeld van hoe u de hefboomwerking voor elke waarneming in een model in R kunt berekenen en visualiseren.<\/span><\/p>\n Eerst zullen we een meervoudig lineair regressiemodel<\/a> maken met behulp van de mtcars-<\/strong> dataset die in R is ingebouwd:<\/span><\/p>\n Vervolgens zullen we de functie hatvalues()<\/strong> gebruiken om de hefboomwerking voor elke observatie in het model te berekenen:<\/span><\/p>\n Meestal kijken we nader naar waarnemingen met een hefboomwaarde groter dan 2.<\/span><\/p>\n Een eenvoudige manier om dit te doen is door de waarnemingen te sorteren op basis van hun hefboomwaarde, in aflopende volgorde:<\/span><\/p>\n We kunnen zien dat de hoogste hefboomwaarde 0,4966<\/strong> is. Omdat dit getal niet groter is dan 2, weten we dat geen van de waarnemingen in onze dataset een grote invloed heeft.<\/span><\/p>\n Ten slotte kunnen we een snel diagram maken om de hefboomwerking voor elke waarneming te visualiseren:<\/span> <\/p>\n Op de x-as wordt de index van elke waarneming in de dataset weergegeven en op de y-waarde wordt de overeenkomstige hefboomstatistiek voor elke waarneming weergegeven.<\/span><\/p>\n Hoe eenvoudige lineaire regressie uit te voeren in R<\/a> In de statistiek wordt een waarneming als een uitbijter beschouwd als de waarde ervan voor de responsvariabele veel groter is dan de rest van de waarnemingen in de dataset. Op dezelfde manier wordt een waarneming als een hoge hefboomwerking beschouwd als deze een of meer waarden heeft voor de voorspellende variabelen die veel extremer zijn […]<\/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-1274","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Stap 1: Maak een regressiemodel<\/strong><\/span><\/h3>\n
#load the dataset<\/span>\ndata(mtcars)\n\n#fit a regression model<\/span>\nmodel <- lm(mpg~disp+hp, data=mtcars)\n\n#view model summary\n<\/span>summary(model)\n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 30.735904 1.331566 23.083 < 2nd-16 ***\navailable -0.030346 0.007405 -4.098 0.000306 ***\nhp -0.024840 0.013385 -1.856 0.073679 . \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 3.127 on 29 degrees of freedom\nMultiple R-squared: 0.7482, Adjusted R-squared: 0.7309 \nF-statistic: 43.09 on 2 and 29 DF, p-value: 2.062e-09\n<\/strong><\/pre>\n Stap 2: Bereken de hefboomwerking voor elke waarneming<\/strong><\/span><\/h3>\n
#calculate leverage for each observation in the model\n<\/span>hats <- as<\/span> . data<\/span> . frame<\/span> (hatvalues(model))\n\n#display leverage stats for each observation\n<\/span>hats\n\n hatvalues(model)\nMazda RX4 0.04235795\nMazda RX4 Wag 0.04235795\nDatsun 710 0.06287776\nHornet 4 Drive 0.07614472\nHornet Sportabout 0.08097817\nValiant 0.05945972\nDuster 360 0.09828955\nMerc 240D 0.08816960\nMerc 230 0.05102253\nMerc 280 0.03990060\nMerc 280C 0.03990060\nMerc 450SE 0.03890159\nMerc 450SL 0.03890159\nMerc 450SLC 0.03890159\nCadillac Fleetwood 0.19443875\nLincoln Continental 0.16042361\nChrysler Imperial 0.12447530\nFiat 128 0.08346304\nHonda Civic 0.09493784\nToyota Corolla 0.08732818\nToyota Corona 0.05697867\nDodge Challenger 0.06954069\nAMC Javelin 0.05767659\nCamaro Z28 0.10011654\nPontiac Firebird 0.12979822\nFiat X1-9 0.08334018\nPorsche 914-2 0.05785170\nLotus Europa 0.08193899\nFord Pantera L 0.13831817\nFerrari Dino 0.12608583\nMaserati Bora 0.49663919\nVolvo 142E 0.05848459\n<\/strong><\/pre>\n #sort observations by leverage, descending<\/span>\nhats[ order<\/span> (-hats[' hatvalues(model)<\/span> ']), ]\n\n [1] 0.49663919 0.19443875 0.16042361 0.13831817 0.12979822 0.12608583\n [7] 0.12447530 0.10011654 0.09828955 0.09493784 0.08816960 0.08732818\n[13] 0.08346304 0.08334018 0.08193899 0.08097817 0.07614472 0.06954069\n[19] 0.06287776 0.05945972 0.05848459 0.05785170 0.05767659 0.05697867\n[25] 0.05102253 0.04235795 0.04235795 0.03990060 0.03990060 0.03890159\n[31] 0.03890159 0.03890159\n<\/strong><\/pre>\n Stap 3: Visualiseer de hefboomwerking voor elke observatie<\/strong><\/span><\/h3>\n
#plot leverage values for each observation<\/span>\nplot(hatvalues(model), type = ' h<\/span> ')\n<\/strong><\/pre>\n![\"hefboomwerking](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/effet-de-levier1.png\")
<\/p>\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":"