W praktyce og\u00f3lnie m\u00f3wimy, \u017ce ka\u017cda obserwacja<\/a> w zbiorze danych, kt\u00f3rej reszta Studenta jest wi\u0119ksza ni\u017c warto\u015b\u0107 bezwzgl\u0119dna 3, jest warto\u015bci\u0105 odstaj\u0105c\u0105.<\/span><\/p>\n Mo\u017cemy szybko uzyska\u0107 studentyzowane reszty dowolnego modelu regresji w R, u\u017cywaj\u0105c funkcji studres()<\/strong> z pakietu MASS, kt\u00f3ra wykorzystuje nast\u0119puj\u0105c\u0105 sk\u0142adni\u0119:<\/span><\/p>\n szpilki (model)<\/strong><\/span><\/p>\n gdzie model<\/em> reprezentuje dowolny model liniowy.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce budujemy nast\u0119puj\u0105cy prosty model regresji liniowej<\/a> w R, korzystaj\u0105c z wbudowanego zbioru danych mtcars<\/em> :<\/span><\/p>\n Mo\u017cemy u\u017cy\u0107 funkcji studres()<\/strong> z pakietu MASS, aby obliczy\u0107 studentyzowane reszty dla ka\u017cdej obserwacji w zbiorze danych:<\/span><\/p>\n Mo\u017cemy r\u00f3wnie\u017c stworzy\u0107 szybki wykres warto\u015bci zmiennych predykcyjnych wzgl\u0119dem odpowiednich badanych reszt:<\/span> <\/p>\n Z wykresu wida\u0107, \u017ce \u017cadna z obserwacji nie ma reszty Studenta o warto\u015bci bezwzgl\u0119dnej wi\u0119kszej ni\u017c 3, zatem w zbiorze danych nie ma wyra\u017anych warto\u015bci odstaj\u0105cych.<\/span><\/p>\n Je\u015bli chcemy, mo\u017cemy r\u00f3wnie\u017c doda\u0107 studentyzowane reszty ka\u017cdej obserwacji do oryginalnego zbioru danych:<\/span><\/p>\n Nast\u0119pnie mo\u017cemy posortowa\u0107 ka\u017cd\u0105 obserwacj\u0119 od najwi\u0119kszej do najmniejszej w oparciu o reszt\u0119 ucznia, aby dowiedzie\u0107 si\u0119, kt\u00f3re obserwacje s\u0105 najbli\u017cej warto\u015bci odstaj\u0105cych:<\/span><\/p>\n Jak wykona\u0107 prost\u0105 regresj\u0119 liniow\u0105 w R<\/a> Reszta studenta to po prostu reszta podzielona przez oszacowane odchylenie standardowe. W praktyce og\u00f3lnie m\u00f3wimy, \u017ce ka\u017cda obserwacja w zbiorze danych, kt\u00f3rej reszta Studenta jest wi\u0119ksza ni\u017c warto\u015b\u0107 bezwzgl\u0119dna 3, jest warto\u015bci\u0105 odstaj\u0105c\u0105. Mo\u017cemy szybko uzyska\u0107 studentyzowane reszty dowolnego modelu regresji w R, u\u017cywaj\u0105c funkcji studres() z pakietu MASS, kt\u00f3ra wykorzystuje nast\u0119puj\u0105c\u0105 sk\u0142adni\u0119: szpilki (model) […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-1245","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Przyk\u0142ad: obliczanie studentyzowanych reszt w R<\/strong><\/span><\/h3>\n
#build simple linear regression model<\/span>\nmodel <- lm(mpg ~ disp, data=mtcars)\n<\/strong><\/pre>\n library<\/span> (MASS)<\/span>\n\n#calculate studentized residuals<\/span>\nstud_resids <- studres(model)\n\n#view first three studentized residuals<\/span>\nhead(stud_resids, 3)\n\n Mazda RX4 Mazda RX4 Wag Datsun 710 \n -0.6236250 -0.6236250 -0.7405315 \n<\/strong><\/pre>\n #plot predictor variable vs. studentized residuals\n<\/span>plot(mtcars$disp, stud_resids, ylab=' Studentized Residuals<\/span> ', xlab=' Displacement<\/span> ') \n\n#add horizontal line at 0\n<\/span>abline(0, 0)<\/strong> <\/pre>\n![\"Studentyzowane](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/etudiant1.png\")
<\/p>\n #add studentized residuals to orignal dataset\n<\/span>final_data <- cbind<\/span> (mtcars[c(' mpg<\/span> ', ' disp<\/span> ')], stud_resids)\n\n#view final dataset\n<\/span>head(final_data)\n\n mpg disp stud_resids\nMazda RX4 21.0 160 -0.6236250\nMazda RX4 Wag 21.0 160 -0.6236250\nDatsun 710 22.8 108 -0.7405315\nHornet 4 Drive 21.4 258 0.7556078\nHornet Sportabout 18.7 360 1.2658336\nValiant 18.1 225 -0.6896297<\/strong><\/pre>\n #sort studentized residuals descending\n<\/span>final_data[ order<\/span> (-stud_resids),]\n\n mpg disp stud_resids\nToyota Corolla 33.9 71.1 2.52397102\nPontiac Firebird 19.2 400.0 2.06825391\nFiat 128 32.4 78.7 2.03684699\nLotus Europa 30.4 95.1 1.53905536\nHonda Civic 30.4 75.7 1.27099586\nHornet Sportabout 18.7 360.0 1.26583364\nChrysler Imperial 14.7 440.0 1.06486066\nHornet 4 Drive 21.4 258.0 0.75560776\nPorsche 914-2 26.0 120.3 0.42424678\nFiat X1-9 27.3 79.0 0.30183728\nMerc 240D 24.4 146.7 0.26235893\nFord Pantera L 15.8 351.0 0.20825609\nCadillac Fleetwood 10.4 472.0 0.08338531\nLincoln Continental 10.4 460.0 -0.07863385\nDuster 360 14.3 360.0 -0.14476167\nMerc 450SL 17.3 275.8 -0.28759769\nDodge Challenger 15.5 318.0 -0.30826585\nMerc 230 22.8 140.8 -0.30945955\nMerc 450SE 16.4 275.8 -0.56742476\nAMC Javelin 15.2 304.0 -0.58138205\nCamaro Z28 13.3 350.0 -0.58848471\nMazda RX4 Wag 21.0 160.0 -0.62362497\nMazda RX4 21.0 160.0 -0.62362497\nMaserati Bora 15.0 301.0 -0.68315010\nValiant 18.1 225.0 -0.68962974\nDatsun 710 22.8 108.0 -0.74053152\nMerc 450SLC 15.2 275.8 -0.94814699\nToyota Corona 21.5 120.1 -0.99751166\nVolvo 142E 21.4 121.0 -1.01790487\nMerc 280 19.2 167.6 -1.09979261\nFerrari Dino 19.7 145.0 -1.24732999\nMerc 280C 17.8 167.6 -1.57258064\n<\/strong><\/pre>\n Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak wykona\u0107 wielokrotn\u0105 regresj\u0119 liniow\u0105 w R<\/a>
Jak utworzy\u0107 wykres rezydualny w R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"