In eenvoudige bewoordingen meet het de standaardafwijking van residuen in een regressiemodel.<\/span><\/p>\n Het wordt als volgt berekend:<\/span><\/span><\/p>\n Residuele standaardfout = \u221a \u03a3(y \u2013 \u0177) 2<\/sup> \/df<\/span><\/span><\/strong><\/p>\n Goud:<\/span><\/p>\n Hoe kleiner de resterende standaardfout, hoe beter een regressiemodel bij een dataset past. Omgekeerd geldt: hoe hoger de resterende standaardfout, hoe slechter het regressiemodel bij een dataset past.<\/span><\/p>\n Een regressiemodel met een kleine resterende standaardfout heeft gegevenspunten die strak geclusterd zijn rond de aangepaste regressielijn:<\/span> <\/p>\n De residuen<\/a> van dit model (het verschil tussen de waargenomen waarden en de voorspelde waarden) zullen klein zijn, wat betekent dat de resterende standaardfout ook klein zal zijn.<\/span><\/p>\n Omgekeerd zal een regressiemodel met een grote resterende standaardfout de gegevenspunten losser verspreid hebben rond de aangepaste regressielijn:<\/span> <\/p>\n De residuen<\/a> uit dit model zullen groter zijn, wat betekent dat de residuele standaardfout ook groter zal zijn.<\/span><\/p>\n Het volgende voorbeeld laat zien hoe u de resterende standaardfout van een regressiemodel in R kunt berekenen en interpreteren.<\/span><\/p>\n Stel dat we willen passen in het volgende meervoudige lineaire regressiemodel:<\/span><\/p>\n mpg = \u03b2 0<\/sub> + \u03b2 1<\/sub> (verplaatsing) + \u03b2 2<\/sub> (vermogen)<\/span><\/p>\n Dit model gebruikt de voorspellende variabelen \u2018verplaatsing\u2019 en \u2018pk\u2019 om het aantal kilometers per gallon te voorspellen dat een bepaalde auto aflegt.<\/span><\/p>\n De volgende code laat zien hoe dit regressiemodel in R past:<\/span><\/p>\n Helemaal onderaan het resultaat kunnen we zien dat de resterende standaardfout van dit model 3,127<\/strong> bedraagt.<\/span><\/p>\n Dit vertelt ons dat het regressiemodel auto-mpg voorspelt met een gemiddelde fout van ongeveer 3.127.<\/span><\/p>\n De resterende standaardfout is vooral handig voor het vergelijken van de fit van verschillende regressiemodellen.<\/span><\/p>\n Stel dat we twee verschillende regressiemodellen gebruiken om de mpg van auto’s te voorspellen. De resterende standaardfout van elk model is als volgt:<\/span><\/p>\n Omdat Model 1 een lagere resterende standaardfout heeft, past het beter bij de gegevens dan Model 2. We zouden Model 1 dus liever gebruiken om de mpg van auto’s te voorspellen, omdat de voorspellingen die het doet dichter bij de waargenomen mpg-waarden van auto’s liggen.<\/span><\/p>\n Hoe eenvoudige lineaire regressie uit te voeren in R<\/a> De resterende standaardfout wordt gebruikt om te meten hoe goed een regressiemodel bij een dataset past. In eenvoudige bewoordingen meet het de standaardafwijking van residuen in een regressiemodel. Het wordt als volgt berekend: Residuele standaardfout = \u221a \u03a3(y \u2013 \u0177) 2 \/df Goud: y: De waargenomen waarde \u0177: De voorspelde waarde df: De vrijheidsgraden, berekend […]<\/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-1722","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standarderrorestimate1.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standarderrorestimate2.png\")
<\/p>\n Voorbeeld: interpretatie van de resterende standaardfout<\/strong><\/span><\/h3>\n
#load built-in mtcars<\/em> dataset<\/span>\ndata(mtcars)\n\n#fit regression model\n<\/span>model <- lm(mpg~disp+hp, data=mtcars)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nlm(formula = mpg ~ disp + hp, data = mtcars)\n\nResiduals:\n Min 1Q Median 3Q Max \n-4.7945 -2.3036 -0.8246 1.8582 6.9363 \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<\/span> 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<\/strong><\/pre>\n Gebruik van de resterende standaardfout om modellen te vergelijken<\/strong><\/span><\/h3>\n
\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":"