In deze tutorial wordt uitgelegd hoe u residuele plots maakt voor een regressiemodel in R.<\/span><\/p>\n In dit voorbeeld passen we een regressiemodel aan met behulp van de ingebouwde R-dataset van mtcars<\/strong> en produceren we vervolgens drie verschillende residuele plots om de residuen te analyseren.<\/span><\/p>\n Stap 1: Pas het regressiemodel aan.<\/strong><\/span><\/p>\n Eerst passen we een regressiemodel aan met mpg<\/strong> als responsvariabele en disp<\/strong> en hp<\/strong> als verklarende variabelen:<\/span><\/p>\n Stap 2: Maak een rest- of aangepast plot.<\/strong><\/span><\/p>\n Vervolgens zullen we een residuele\/fitted plot produceren, nuttig voor het visueel detecteren van heteroskedasticiteit \u2013 bijvoorbeeld een systematische verandering in de verdeling van residuen over een bereik van waarden.<\/span> <\/p>\n Op de x-as worden de gefitte waarden weergegeven en op de y-as de residuen. Uit de grafiek kunnen we zien dat de verdeling van de residuen doorgaans hoger is voor hoger passende waarden, maar dit lijkt niet ernstig genoeg dat we wijzigingen in het model moeten aanbrengen.<\/span><\/p>\n Stap 3: Maak een QQ-plot.<\/strong><\/span><\/p>\n We kunnen ook een QQ-plot maken, handig om te bepalen of de residuen een normale verdeling volgen. Als de gegevenswaarden in de grafiek een ruwweg rechte lijn volgen in een hoek van 45 graden, zijn de gegevens normaal verdeeld.<\/span> <\/p>\n We kunnen zien dat de residuen de neiging hebben iets af te wijken van de lijn nabij de staarten, wat erop zou kunnen wijzen dat ze niet normaal verdeeld zijn.<\/span><\/p>\n Stap 4: Maak een dichtheidsplot.<\/strong><\/span><\/p>\n We kunnen ook een dichtheidsplot maken, wat ook handig is om visueel te controleren of de residuen normaal verdeeld zijn of niet. Als de plot grofweg klokvormig is, volgen de residuen waarschijnlijk een normale verdeling.<\/span> <\/p>\n We kunnen zien dat de dichtheidsgrafiek grofweg de vorm van een klok volgt, hoewel deze enigszins naar rechts is gekanteld. Afhankelijk van het type onderzoek kan een onderzoeker wel of niet besluiten een transformatie op de gegevens uit te voeren om ervoor te zorgen dat de residuen normaler verdeeld zijn.<\/span><\/p>\n Hoe gestandaardiseerde residuen in R te berekenen<\/a> Residuele plots worden vaak gebruikt om te beoordelen of de residuen uit een regressieanalyse normaal verdeeld zijn en of ze al dan niet heteroscedasticiteit vertonen. In deze tutorial wordt uitgelegd hoe u residuele plots maakt voor een regressiemodel in R. Voorbeeld: Residuele plots in R In dit voorbeeld passen we een regressiemodel aan met behulp […]<\/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-678","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Voorbeeld: Residuele plots in R<\/strong><\/h3>\n
#load the dataset<\/span>\ndata(mtcars)\n\n#fit a regression model<\/span>\nmodel <- lm(mpg~disp+hp, data=mtcars)\n\n#get list of residuals<\/span> \nres <- resid(model)\n<\/strong><\/pre>\n #produce residual vs. fitted plot<\/span>\nplot(fitted(model), res)\n\n#add a horizontal line at 0<\/span> \nabline(0,0)\n<\/strong><\/pre>\n![\"Resterend](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/residplotr1.png\")
<\/p>\n #create QQ plot for residuals\n<\/span>qqnorm(res)\n\n#add a straight diagonal line to the plot<\/span>\nqqline(res) \n<\/strong><\/pre>\n![\"Residuele](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/residplotr2.png\")
<\/p>\n #Create density plot of residuals<\/span>\nplot(density(res))\n<\/strong><\/pre>\n![\"Residuele](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/residplotr3.png\")
<\/p>\n Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe gestudentiseerde residuen in R te berekenen<\/a>
Hoe maak je een histogram van residuen in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"