E\u00e9n manier om de invloed van observaties te berekenen is door een metriek te gebruiken die bekend staat als DFFITS<\/strong> , wat staat voor \u2018difference in fits\u2019.<\/span><\/p>\n Deze metriek vertelt ons hoeveel de voorspellingen van een regressiemodel veranderen als we een individuele observatie weglaten.<\/span><\/p>\n Deze tutorial toont een stapsgewijs voorbeeld van hoe u DFFITS 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 ingebouwde functie dffits()<\/strong> gebruiken om de DFFITS-waarde voor elke waarneming in het model te berekenen:<\/span><\/p>\n Meestal bekijken we waarnemingen met DFFITS-waarden boven een drempel van 2\u221a p\/n<\/span> waarbij:<\/span><\/p>\n In dit voorbeeld zou de drempel 0,5<\/strong> zijn:<\/span><\/p>\n We kunnen de waarnemingen sorteren op basis van hun DFFITS-waarden om te zien of een van hen de drempel overschrijdt:<\/span><\/p>\n We kunnen zien dat de eerste vijf waarnemingen een DFFITS-waarde groter dan 0,5 hebben, wat betekent dat we deze waarnemingen wellicht nader willen bestuderen om te bepalen of ze een grote invloed op het model hebben.<\/span><\/p>\n Ten slotte kunnen we een snelle grafiek maken om de DFFITS 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 DFFITS-waarde voor elke waarneming weergegeven.<\/span><\/p>\n Hoe eenvoudige lineaire regressie uit te voeren in R<\/a> In de statistiek willen we vaak weten welke invloed verschillende observaties hebben op regressiemodellen. E\u00e9n manier om de invloed van observaties te berekenen is door een metriek te gebruiken die bekend staat als DFFITS , wat staat voor \u2018difference in fits\u2019. Deze metriek vertelt ons hoeveel de voorspellingen van een regressiemodel veranderen als we een […]<\/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-1275","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 DFFITS voor elke waarneming<\/strong><\/span><\/h3>\n
#calculate DFFITS for each observation in the model\n<\/span>dffits <- as<\/span> . data<\/span> . frame<\/span> (dffits(model))\n\n#display DFFITS for each observation\n<\/span>challenges\n\n dffits(model)\nMazda RX4 -0.14633456\nMazda RX4 Wag -0.14633456\nDatsun 710 -0.19956440\nHornet 4 Drive 0.11540062\nHornet Sportabout 0.32140303\nValiant -0.26586716\nDuster 360 0.06282342\nMerc 240D -0.03521572\nMerc 230 -0.09780612\nMerc 280 -0.22680622\nMerc 280C -0.32763355\nMerc 450SE -0.09682952\nMerc 450SL -0.03841129\nMerc 450SLC -0.17618948\nCadillac Fleetwood -0.15860270\nLincoln Continental -0.15567627\nChrysler Imperial 0.39098449\nFiat 128 0.60265798\nHonda Civic 0.35544919\nToyota Corolla 0.78230167\nToyota Corona -0.25804885\nDodge Challenger -0.16674639\nAMC Javelin -0.20965432\nCamaro Z28 -0.08062828\nPontiac Firebird 0.67858692\nFiat X1-9 0.05951528\nPorsche 914-2 0.09453310\nLotus Europa 0.55650363\nFord Pantera L 0.31169050\nFerrari Dino -0.29539098\nMaserati Bora 0.76464932\nVolvo 142E -0.24266054\n<\/strong><\/pre>\n\n
#find number of predictors in model\n<\/span>p <- length<\/span> (model$coefficients)-1\n\n#find number of observations<\/span>\nn <- nrow<\/span> (mtcars)\n\n#calculate DFFITS threshold value<\/span>\nthresh <- 2* sqrt<\/span> (p\/n)\n\nthresh\n\n[1] 0.5\n<\/strong><\/pre>\n #sort observations by DFFITS, descending<\/span>\ndffits[ order<\/span> (-dffits[' dffits(model)<\/span> ']), ]\n\n [1] 0.78230167 0.76464932 0.67858692 0.60265798 0.55650363 0.39098449\n [7] 0.35544919 0.32140303 0.31169050 0.11540062 0.09453310 0.06282342\n[13] 0.05951528 -0.03521572 -0.03841129 -0.08062828 -0.09682952 -0.09780612\n[19] -0.14633456 -0.14633456 -0.15567627 -0.15860270 -0.16674639 -0.17618948\n[25] -0.19956440 -0.20965432 -0.22680622 -0.24266054 -0.25804885 -0.26586716\n[31] -0.29539098 -0.32763355\n<\/strong><\/pre>\n Stap 3: Visualiseer de DFFITS voor elke waarneming<\/strong><\/span><\/h3>\n
#plot DFFITS values for each observation<\/span>\nplot(dffits(model), type = ' h<\/span> ')\n\n#add horizontal lines at absolute values for threshold<\/span>\nabline(h = thresh, lty = 2)\nabline(h = -thresh, lty = 2)\n<\/strong><\/pre>\n![\"DFFITS](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/dffits1.png\")
<\/p>\n Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe meervoudige lineaire regressie uit te voeren in R<\/a>
Hoe u hefboomstatistieken kunt berekenen in R<\/a>
Hoe maak je een restplot in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"