{"id":544,"date":"2023-07-29T13:42:06","date_gmt":"2023-07-29T13:42:06","guid":{"rendered":"https:\/\/statorials.org\/nl\/hoe-u-residuen-kunt-berekenen-in-regressieanalyse\/"},"modified":"2023-07-29T13:42:06","modified_gmt":"2023-07-29T13:42:06","slug":"hoe-u-residuen-kunt-berekenen-in-regressieanalyse","status":"publish","type":"post","link":"https:\/\/statorials.org\/nl\/hoe-u-residuen-kunt-berekenen-in-regressieanalyse\/","title":{"rendered":"Hoe residuen in regressieanalyse te berekenen"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\"><a href=\"https:\/\/statorials.org\/nl\/lineaire-regressie-1\/\" target=\"_blank\" rel=\"noopener\">Eenvoudige lineaire regressie<\/a> is een statistische methode die u kunt gebruiken om de relatie tussen twee variabelen, x en y, te begrijpen.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Een variabele, <strong>x<\/strong> , staat bekend als een voorspellende variabele.<\/span> <span style=\"color: #000000;\">De andere variabele, <strong>y<\/strong> , staat bekend als de<a href=\"https:\/\/statorials.org\/nl\/variabelen-verklarende-reacties\/\" target=\"_blank\" rel=\"noopener\">responsvariabele<\/a> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Stel dat we bijvoorbeeld de volgende gegevensset hebben met het gewicht en de lengte van zeven individuen:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-1290 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/poids_hauteur1.jpg\" alt=\"Eenvoudige lineaire regressie\" width=\"197\" height=\"200\" srcset=\"\" sizes=\"auto, \"><\/p>\n<p> <span style=\"color: #000000;\">Laat <em>gewicht<\/em> de voorspellende variabele zijn en laat <em>lengte<\/em> de responsvariabele zijn.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Als we deze twee variabelen grafisch weergeven met behulp van een<\/span> spreidingsdiagram <span style=\"color: #000000;\">, met het gewicht op de x-as en de hoogte op de y-as, ziet het er zo uit:<\/span><\/p>\n<p> <span style=\"color: #000000;\">Uit het spreidingsdiagram kunnen we duidelijk zien dat naarmate het gewicht toeneemt, de lengte ook de neiging heeft toe te nemen, maar om deze relatie tussen gewicht en lengte daadwerkelijk <em>te kwantificeren<\/em> moeten we lineaire regressie gebruiken.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Met behulp van lineaire regressie kunnen we de lijn vinden die het beste bij onze gegevens past:<\/span><\/p>\n<p> <span style=\"color: #000000;\">De formule voor deze lijn met de beste pasvorm is geschreven:<\/span><\/p>\n<p style=\"text-align: center;\"> <span style=\"color: #000000;\">\u0177 = <sub>b0<\/sub> + <sub>b1<\/sub> x<\/span><\/p>\n<p> <span style=\"color: #000000;\">waarbij \u0177 de voorspelde waarde van de responsvariabele is, b <sub>0<\/sub> het snijpunt is, b <sub>1<\/sub> de regressieco\u00ebffici\u00ebnt is en x de waarde van de voorspellende variabele is.<\/span><\/p>\n<p> <span style=\"color: #000000;\">In dit voorbeeld is de best passende regel:<\/span><\/p>\n<p style=\"text-align: center;\"> <span style=\"color: #000000;\">maat = 32.783 + 0.2001*(gewicht)<\/span><\/p>\n<h2> <span style=\"color: #000000;\"><strong>Hoe residuen te berekenen<\/strong><\/span><\/h2>\n<p> <span style=\"color: #000000;\">Merk op dat de gegevenspunten in ons spreidingsdiagram niet altijd exact overeenkomen met de lijn die het beste past:<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dit verschil tussen het datapunt en de lijn wordt het <strong>residu<\/strong> genoemd. Voor elk gegevenspunt kunnen we het residu van dat punt berekenen door het verschil tussen de werkelijke waarde en de voorspelde waarde uit de best passende lijn te halen.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Voorbeeld 1: Berekening van een residu<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Denk bijvoorbeeld aan het gewicht en de lengte van de zeven individuen in onze dataset:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-1290 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/poids_hauteur1.jpg\" alt=\"Eenvoudige lineaire regressie\" width=\"197\" height=\"200\" srcset=\"\" sizes=\"auto, \"><\/p>\n<p> <span style=\"color: #000000;\">Het eerste individu weegt <strong>140<\/strong> pond. en een hoogte van <strong>60<\/strong> centimeter.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Om de verwachte lengte van deze persoon te achterhalen, kunnen we zijn gewicht in de lijn van de best passende vergelijking plaatsen:<\/span><\/p>\n<p style=\"text-align: center;\"> <span style=\"color: #000000;\">maat = 32.783 + 0.2001*(gewicht)<\/span><\/p>\n<p> <span style=\"color: #000000;\">De voorspelde grootte van dit individu is dus:<\/span><\/p>\n<p style=\"text-align: center;\"> <span style=\"color: #000000;\">hoogte = 32,783 + 0,2001*(140)<\/span><\/p>\n<p style=\"text-align: center;\"> <span style=\"color: #000000;\">hoogte = 60,797 inch<\/span><\/p>\n<p> <span style=\"color: #000000;\">Het residu voor dit gegevenspunt is dus 60 \u2013 60,797 = <strong>-0,797<\/strong> .<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Voorbeeld 2: Berekening van een residu<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">We kunnen exact hetzelfde proces gebruiken als hierboven om het residu voor elk gegevenspunt te berekenen. Laten we bijvoorbeeld het residu berekenen voor het tweede individu in onze dataset:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-1290 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/poids_hauteur1.jpg\" alt=\"Eenvoudige lineaire regressie\" width=\"197\" height=\"200\" srcset=\"\" sizes=\"auto, \"><\/p>\n<p> <span style=\"color: #000000;\">Het tweede individu weegt <strong>155<\/strong> pond. en een hoogte van <strong>62<\/strong> inch.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Om de verwachte lengte van deze persoon te achterhalen, kunnen we zijn gewicht in de lijn van de best passende vergelijking plaatsen:<\/span><\/p>\n<p style=\"text-align: center;\"> <span style=\"color: #000000;\">maat = 32.783 + 0.2001*(gewicht)<\/span><\/p>\n<p> <span style=\"color: #000000;\">De voorspelde grootte van dit individu is dus:<\/span><\/p>\n<p style=\"text-align: center;\"> <span style=\"color: #000000;\">hoogte = 32,783 + 0,2001*(155)<\/span><\/p>\n<p style=\"text-align: center;\"> <span style=\"color: #000000;\">hoogte = 63,7985 inch<\/span><\/p>\n<p> <span style=\"color: #000000;\">Het residu voor dit gegevenspunt is dus 62 \u2013 63,7985 = <strong>-1,7985<\/strong> .<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Bereken alle residuen<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Met dezelfde methode als de vorige twee voorbeelden kunnen we de residuen voor elk gegevenspunt berekenen:<\/span><\/p>\n<p> <span style=\"color: #000000;\">Merk op dat sommige residuen positief zijn en andere negatief. <strong>Als we alle residuen bij elkaar optellen, is hun totaal nul.<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Dit komt omdat lineaire regressie de lijn vindt die het totale kwadraat van de residuen minimaliseert. Daarom gaat de lijn perfect door de gegevens, waarbij sommige gegevenspunten boven de lijn liggen en andere onder de lijn.<\/span><\/p>\n<h2> <span style=\"color: #000000;\"><strong>Bekijk residuen<\/strong><\/span><\/h2>\n<p> <span style=\"color: #000000;\">Houd er rekening mee dat een <strong>residu<\/strong> eenvoudigweg de afstand is tussen de werkelijke waarde van de gegevens en de waarde die wordt voorspeld door de best passende regressielijn. Hier ziet u hoe deze afstanden er visueel uitzien op een puntenwolk:<\/span><\/p>\n<p> <span style=\"color: #000000;\">Houd er rekening mee dat sommige residuen groter zijn dan andere. Bovendien zijn sommige residuen positief en andere negatief, zoals we eerder vermeldden.<\/span><\/p>\n<h2> <span style=\"color: #000000;\"><strong>Een restpad cre\u00ebren<\/strong><\/span><\/h2>\n<p> <span style=\"color: #000000;\">Het punt van het berekenen van residuen is om te zien hoe goed de regressielijn bij de gegevens past.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Grotere residuen geven aan dat de regressielijn niet goed bij de gegevens past, dat wil zeggen dat de feitelijke gegevenspunten de regressielijn niet benaderen.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kleinere residuen geven aan dat de regressielijn beter bij de gegevens past, dat wil zeggen dat de feitelijke gegevenspunten dichter bij de regressielijn liggen.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Een handig type plot om alle residuen in \u00e9\u00e9n keer te visualiseren is een residuenplot. Een <strong>residuele plot<\/strong> is een type plot dat voorspelde waarden versus residuen voor een regressiemodel weergeeft.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dit type plot wordt vaak gebruikt om te evalueren of een lineair regressiemodel al dan niet geschikt is voor een bepaalde dataset en om de heteroskedasticiteit<\/span> van <span style=\"color: #000000;\">de residuen te controleren.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Bekijk <a href=\"https:\/\/statorials.org\/nl\/hoe-u-een-resttracering-in-excel-kunt-maken\/\" target=\"_blank\" rel=\"noopener\">deze tutorial<\/a> om te leren hoe u een residuele plot maakt voor een eenvoudig lineair regressiemodel in Excel.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Eenvoudige lineaire regressie is een statistische methode die u kunt gebruiken om de relatie tussen twee variabelen, x en y, te begrijpen. Een variabele, x , staat bekend als een voorspellende variabele. De andere variabele, y , staat bekend als deresponsvariabele . Stel dat we bijvoorbeeld de volgende gegevensset hebben met het gewicht en de [&hellip;]<\/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-544","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v21.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Residuen berekenen in regressieanalyse - Statorialen<\/title>\n<meta name=\"description\" content=\"Een eenvoudige tutorial over het berekenen van residuen in regressieanalyse.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/statorials.org\/nl\/hoe-u-residuen-kunt-berekenen-in-regressieanalyse\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Residuen berekenen in regressieanalyse - Statorialen\" \/>\n<meta property=\"og:description\" content=\"Een eenvoudige tutorial over het berekenen van residuen in regressieanalyse.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/nl\/hoe-u-residuen-kunt-berekenen-in-regressieanalyse\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-29T13:42:06+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/poids_hauteur1.jpg\" \/>\n<meta name=\"author\" content=\"Dr.benjamin anderson\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Dr.benjamin anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"4\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/nl\/hoe-u-residuen-kunt-berekenen-in-regressieanalyse\/\",\"url\":\"https:\/\/statorials.org\/nl\/hoe-u-residuen-kunt-berekenen-in-regressieanalyse\/\",\"name\":\"Residuen berekenen in regressieanalyse - Statorialen\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/nl\/#website\"},\"datePublished\":\"2023-07-29T13:42:06+00:00\",\"dateModified\":\"2023-07-29T13:42:06+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219\"},\"description\":\"Een eenvoudige tutorial over het berekenen van residuen in regressieanalyse.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/nl\/hoe-u-residuen-kunt-berekenen-in-regressieanalyse\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/nl\/hoe-u-residuen-kunt-berekenen-in-regressieanalyse\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/nl\/hoe-u-residuen-kunt-berekenen-in-regressieanalyse\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Thuis\",\"item\":\"https:\/\/statorials.org\/nl\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Hoe residuen in regressieanalyse te berekenen\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/nl\/#website\",\"url\":\"https:\/\/statorials.org\/nl\/\",\"name\":\"Statorials\",\"description\":\"Uw gids voor statistische competentie\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/nl\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"de\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219\",\"name\":\"Dr.benjamin anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/statorials.org\/nl\/#\/schema\/person\/image\/\",\"url\":\"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"caption\":\"Dr.benjamin anderson\"},\"description\":\"Ik ben Benjamin, een gepensioneerde hoogleraar statistiek die nu een toegewijde Statorials-lesgever is. Ik heb uitgebreide ervaring en expertise op het gebied van statistiek en ik ben vastbesloten om mijn kennis te delen met studenten via Statorials. Lees verder\",\"sameAs\":[\"http:\/\/statorials.org\/nl\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Residuen berekenen in regressieanalyse - Statorialen","description":"Een eenvoudige tutorial over het berekenen van residuen in regressieanalyse.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/statorials.org\/nl\/hoe-u-residuen-kunt-berekenen-in-regressieanalyse\/","og_locale":"de_DE","og_type":"article","og_title":"Residuen berekenen in regressieanalyse - Statorialen","og_description":"Een eenvoudige tutorial over het berekenen van residuen in regressieanalyse.","og_url":"https:\/\/statorials.org\/nl\/hoe-u-residuen-kunt-berekenen-in-regressieanalyse\/","og_site_name":"Statorials","article_published_time":"2023-07-29T13:42:06+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/poids_hauteur1.jpg"}],"author":"Dr.benjamin anderson","twitter_card":"summary_large_image","twitter_misc":{"Verfasst von":"Dr.benjamin anderson","Gesch\u00e4tzte Lesezeit":"4\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/nl\/hoe-u-residuen-kunt-berekenen-in-regressieanalyse\/","url":"https:\/\/statorials.org\/nl\/hoe-u-residuen-kunt-berekenen-in-regressieanalyse\/","name":"Residuen berekenen in regressieanalyse - Statorialen","isPartOf":{"@id":"https:\/\/statorials.org\/nl\/#website"},"datePublished":"2023-07-29T13:42:06+00:00","dateModified":"2023-07-29T13:42:06+00:00","author":{"@id":"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219"},"description":"Een eenvoudige tutorial over het berekenen van residuen in regressieanalyse.","breadcrumb":{"@id":"https:\/\/statorials.org\/nl\/hoe-u-residuen-kunt-berekenen-in-regressieanalyse\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/nl\/hoe-u-residuen-kunt-berekenen-in-regressieanalyse\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/nl\/hoe-u-residuen-kunt-berekenen-in-regressieanalyse\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Thuis","item":"https:\/\/statorials.org\/nl\/"},{"@type":"ListItem","position":2,"name":"Hoe residuen in regressieanalyse te berekenen"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/nl\/#website","url":"https:\/\/statorials.org\/nl\/","name":"Statorials","description":"Uw gids voor statistische competentie","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/nl\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"de"},{"@type":"Person","@id":"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219","name":"Dr.benjamin anderson","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/statorials.org\/nl\/#\/schema\/person\/image\/","url":"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","contentUrl":"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","caption":"Dr.benjamin anderson"},"description":"Ik ben Benjamin, een gepensioneerde hoogleraar statistiek die nu een toegewijde Statorials-lesgever is. Ik heb uitgebreide ervaring en expertise op het gebied van statistiek en ik ben vastbesloten om mijn kennis te delen met studenten via Statorials. Lees verder","sameAs":["http:\/\/statorials.org\/nl"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/posts\/544","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/comments?post=544"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/posts\/544\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/media?parent=544"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/categories?post=544"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/tags?post=544"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}