Om robuuste regressie in R uit te voeren, kunnen we de functie rlm()<\/strong> uit het MASS-<\/strong> pakket gebruiken, die de volgende syntaxis gebruikt:<\/span><\/p>\n Het volgende stapsgewijze voorbeeld laat zien hoe u robuuste regressie in R kunt uitvoeren voor een bepaalde gegevensset.<\/span><\/p>\n Laten we eerst een nep-dataset maken om mee te werken:<\/span><\/p>\n Laten we vervolgens een gewoon regressiemodel met de kleinste kwadraten toepassen en een grafiek van de gestandaardiseerde residuen<\/a> maken.<\/span><\/p>\n In de praktijk beschouwen we vaak elk gestandaardiseerd residu waarvan de absolute waarde groter is dan 3 als een uitbijter.<\/span> <\/p>\n Uit de grafiek kunnen we zien dat er twee waarnemingen zijn met gestandaardiseerde residuen rond de 3.<\/span><\/p>\n Dit geeft aan dat er twee potenti\u00eble uitschieters in de dataset zitten en dat we daarom wellicht kunnen profiteren van robuuste regressie.<\/span><\/p>\n Laten we vervolgens de functie rlm()<\/strong> gebruiken om een robuust regressiemodel in te passen:<\/span><\/p>\n Om te bepalen of dit robuuste regressiemodel beter aansluit bij de gegevens vergeleken met het OLS-model, kunnen we de resterende standaardfout van elk model berekenen.<\/span><\/p>\n De residuele standaardfout (RSE) is een manier om de standaardafwijking van de residuen in een regressiemodel te meten. Hoe lager de MVO-waarde, hoe beter een model bij de data past.<\/span><\/p>\n De volgende code laat zien hoe u de RSE voor elk model kunt berekenen:<\/span><\/p>\n We kunnen zien dat de RSE van het robuuste regressiemodel veel lager is dan die van het gewone regressiemodel met de kleinste kwadraten, wat ons vertelt dat het robuuste regressiemodel beter aansluit bij de gegevens.<\/span><\/p>\n Hoe eenvoudige lineaire regressie uit te voeren in R<\/a> Robuuste regressie is een methode die we kunnen gebruiken als alternatief voor de gewone kleinste kwadratenregressie als er uitbijters of invloedrijke waarnemingen voorkomen in de dataset waarmee we werken. Om robuuste regressie in R uit te voeren, kunnen we de functie rlm() uit het MASS- pakket gebruiken, die de volgende syntaxis gebruikt: Het volgende stapsgewijze […]<\/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-1608","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Stap 1: Cre\u00eber de gegevens<\/strong><\/span><\/h3>\n
#create data<\/span>\ndf <- data. frame<\/span> (x1=c(1, 3, 3, 4, 4, 6, 6, 8, 9, 3,\n 11, 16, 16, 18, 19, 20, 23, 23, 24, 25),\n x2=c(7, 7, 4, 29, 13, 34, 17, 19, 20, 12,\n 25, 26, 26, 26, 27, 29, 30, 31, 31, 32),\n y=c(17, 170, 19, 194, 24, 2, 25, 29, 30, 32,\n 44, 60, 61, 63, 63, 64, 61, 67, 59, 70))\n\n#view first six rows of data\n<\/span>head(df)\n\n x1 x2 y\n1 1 7 17\n2 3 7 170\n3 3 4 19\n4 4 29 194\n5 4 13 24\n6 6 34 2\n<\/strong><\/pre>\n Stap 2: Voer gewone kleinste-kwadratenregressie uit<\/strong><\/span><\/h3>\n
#fit ordinary least squares regression model<\/span>\nols <- lm(y~x1+x2, data=df)\n\n#create plot of y-values vs. standardized residuals\n<\/span>plot(df$y, rstandard(ols), ylab=' Standardized Residuals<\/span> ', xlab=' y<\/span> ') \nabline(h= 0<\/span> )<\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/robusteregr1.png\")
<\/p>\n Stap 3: Voer robuuste regressie uit<\/strong><\/span><\/h3>\n
library<\/span> (MASS)<\/span>\n\n#fit robust regression model<\/span>\nrobust <- rlm(y~x1+x2, data=df)<\/strong><\/pre>\n #find residual standard error of ols model\n<\/span>summary(ols)$sigma\n\n[1] 49.41848\n\n#find residual standard error of ols model\n<\/span>summary(robust)$sigma\n\n[1] 9.369349\n<\/strong><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe meervoudige lineaire regressie uit te voeren in R<\/a>
Hoe polynomiale regressie uit te voeren in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"