Idealiter zou u willen dat de punten in een restdiagram willekeurig verspreid zijn rond een waarde nul, zonder duidelijk patroon.<\/span><\/p>\n Als u een restgrafiek tegenkomt waarin de grafiekpunten een gebogen patroon hebben, betekent dit waarschijnlijk dat het regressiemodel dat u voor de gegevens hebt opgegeven, niet correct is.<\/span><\/p>\n In de meeste gevallen betekent dit dat u hebt geprobeerd een lineair regressiemodel aan te passen aan een dataset die in plaats daarvan een kwadratische trend volgt.<\/span><\/p>\n Het volgende voorbeeld laat zien hoe u een gebogen restplot in de praktijk interpreteert (en corrigeert).<\/span><\/p>\n Stel dat we de volgende gegevens verzamelen over het aantal gewerkte uren per week en het gerapporteerde geluksniveau (op een schaal van 0 tot 100) voor 11 verschillende mensen op een kantoor:<\/span> <\/p>\n Als we een eenvoudig spreidingsdiagram van gewerkte uren versus geluksniveau zouden maken, zou het er zo uitzien:<\/span> <\/p>\n Stel nu dat we een regressiemodel willen toepassen op basis van gewerkte uren om het geluksniveau te voorspellen.<\/span><\/p>\n De volgende code laat zien hoe u een eenvoudig lineair regressiemodel<\/strong> aan deze gegevensset kunt aanpassen en een restplot in R kunt maken:<\/span> <\/p>\n Op de x-as worden de gefitte waarden weergegeven en op de y-as de residuen.<\/span><\/p>\n Uit de grafiek kunnen we zien dat er een gebogen patroon in de residuen zit, wat aangeeft dat een lineair regressiemodel geen geschikte pasvorm voor deze dataset biedt.<\/span><\/p>\n De volgende code laat zien hoe u een kwadratisch regressiemodel<\/strong> aan deze gegevensset kunt aanpassen en een restgrafiek in R kunt maken:<\/span> <\/p>\n Opnieuw toont de x-as de gefitte waarden en de y-as de residuen.<\/span><\/p>\n Uit de grafiek kunnen we zien dat de residuen willekeurig rond nul verspreid zijn en dat er geen duidelijke trend in de residuen zit.<\/span><\/p>\n Dit vertelt ons dat een kwadratisch regressiemodel deze dataset veel beter past dan een lineair regressiemodel.<\/span><\/p>\n Dit zou logisch moeten zijn, aangezien we zagen dat de werkelijke relatie tussen gewerkte uren en geluksniveaus eerder kwadratisch dan lineair leek te zijn.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u restplots kunt maken met behulp van verschillende statistische software:<\/span><\/p>\n Hoe u met de hand een restpad kunt maken<\/a> Residuele plots worden gebruikt om te beoordelen of de residuen van een regressiemodel normaal verdeeld zijn en of ze al dan niet heteroscedasticiteit vertonen. Idealiter zou u willen dat de punten in een restdiagram willekeurig verspreid zijn rond een waarde nul, zonder duidelijk patroon. Als u een restgrafiek tegenkomt waarin de grafiekpunten een gebogen patroon […]<\/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-3812","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Voorbeeld: interpretatie van een gebogen restplot<\/strong><\/h2>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/quadti1.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/courbe1.jpg\")
<\/p>\n #create dataframe\n<\/span>df <- data. frame<\/span> (hours=c(6, 9, 12, 14, 30, 35, 40, 47, 51, 55, 60),\n happiness=c(14, 28, 50, 70, 89, 94, 90, 75, 59, 44, 27))\n#fit linear regression model\n<\/span>linear_model <- lm(happiness ~ hours, data=df)\n\n#get list of residuals \n<\/span>res <- resid(linear_model)\n\n#produce residual vs. fitted plot\n<\/span>plot(fitted(linear_model), res, xlab=' Fitted Values<\/span> ', ylab=' Residuals<\/span> ')\n\n#add a horizontal line at 0 \n<\/span>abline(0,0)\n<\/strong><\/span><\/pre>\n![\"gebogen](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/courbe2.jpg\")
<\/p>\n #create dataframe\n<\/span>df <- data. frame<\/span> (hours=c(6, 9, 12, 14, 30, 35, 40, 47, 51, 55, 60),\n happiness=c(14, 28, 50, 70, 89, 94, 90, 75, 59, 44, 27))\n#define quadratic term to use in model\ndf$hours2 <- df$hours^2\n\n#fit quadratic regression model\n<\/span>quadratic_model <- lm(happiness ~ hours + hours2, data=df)\n\n#get list of residuals \n<\/span>res <- resid(quadratic_model)\n\n#produce residual vs. fitted plot\n<\/span>plot(fitted(quadratic_model), res, xlab=' Fitted Values<\/span> ', ylab=' Residuals<\/span> ')\n\n#add a horizontal line at 0 \n<\/span>abline(0,0)<\/span><\/span><\/strong><\/span> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/courbe3.jpg\")
<\/p>\n Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe maak je een restplot in R<\/a>
Hoe u een restplot in Excel maakt<\/a>
Hoe u een restplot maakt in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"