Podobnie obserwacj\u0119 uwa\u017ca si\u0119 za o du\u017cej d\u017awigni<\/strong> , je\u015bli ma jedn\u0105 lub wi\u0119cej warto\u015bci zmiennych predykcyjnych, kt\u00f3re s\u0105 znacznie bardziej ekstremalne w por\u00f3wnaniu z reszt\u0105 obserwacji w zbiorze danych.<\/span><\/p>\n Jednym z pierwszych krok\u00f3w w ka\u017cdym rodzaju analizy jest przyjrzenie si\u0119 bli\u017cej obserwacjom, kt\u00f3re maj\u0105 du\u017c\u0105 d\u017awigni\u0119, poniewa\u017c mog\u0105 mie\u0107 du\u017cy wp\u0142yw na wyniki danego modelu.<\/span><\/p>\n W tym samouczku przedstawiono krok po kroku przyk\u0142ad obliczania i wizualizacji d\u017awigni dla ka\u017cdej obserwacji w modelu w j\u0119zyku R.<\/span><\/p>\n Najpierw utworzymy model regresji liniowej wielokrotnej<\/a> , korzystaj\u0105c ze zbioru danych mtcars<\/strong> wbudowanego w R:<\/span><\/p>\n Nast\u0119pnie u\u017cyjemy funkcji hatvalues()<\/strong> do obliczenia d\u017awigni dla ka\u017cdej obserwacji w modelu:<\/span><\/p>\n Zazwyczaj przygl\u0105damy si\u0119 bli\u017cej obserwacjom z warto\u015bci\u0105 d\u017awigni wi\u0119ksz\u0105 ni\u017c 2.<\/span><\/p>\n Prostym sposobem na osi\u0105gni\u0119cie tego jest posortowanie obserwacji na podstawie ich warto\u015bci d\u017awigni, w kolejno\u015bci malej\u0105cej:<\/span><\/p>\n Widzimy, \u017ce najwy\u017csza warto\u015b\u0107 d\u017awigni wynosi 0,4966<\/strong> . Poniewa\u017c liczba ta nie jest wi\u0119ksza ni\u017c 2, wiemy, \u017ce \u017cadna z obserwacji w naszym zbiorze danych nie ma du\u017cej d\u017awigni.<\/span><\/p>\n Na koniec mo\u017cemy stworzy\u0107 szybki wykres wizualizuj\u0105cy d\u017awigni\u0119 dla ka\u017cdej obserwacji:<\/span> <\/p>\n O\u015b x przedstawia indeks ka\u017cdej obserwacji w zbiorze danych, a warto\u015b\u0107 y przedstawia odpowiedni\u0105 statystyk\u0119 d\u017awigni dla ka\u017cdej obserwacji.<\/span><\/p>\n Jak wykona\u0107 prost\u0105 regresj\u0119 liniow\u0105 w R<\/a> W statystyce obserwacj\u0119 uwa\u017ca si\u0119 za warto\u015b\u0107 odstaj\u0105c\u0105 , je\u015bli jej warto\u015b\u0107 dla zmiennej odpowiedzi jest znacznie wi\u0119ksza ni\u017c pozosta\u0142ych obserwacji w zbiorze danych. Podobnie obserwacj\u0119 uwa\u017ca si\u0119 za o du\u017cej d\u017awigni , je\u015bli ma jedn\u0105 lub wi\u0119cej warto\u015bci zmiennych predykcyjnych, kt\u00f3re s\u0105 znacznie bardziej ekstremalne w por\u00f3wnaniu z reszt\u0105 obserwacji w zbiorze danych. Jednym […]<\/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-1272","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Krok 1: Utw\u00f3rz model regresji<\/strong><\/span><\/h3>\n
#load the dataset<\/span>\ndata(mtcars)\n\n#fit a regression model<\/span>\nmodel <- lm(mpg~disp+hp, data=mtcars)\n\n#view model summary\n<\/span>summary(model)\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 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\n<\/strong><\/pre>\n Krok 2: Oblicz d\u017awigni\u0119 dla ka\u017cdej obserwacji<\/strong><\/span><\/h3>\n
#calculate leverage for each observation in the model\n<\/span>hats <- as<\/span> . data<\/span> . frame<\/span> (hatvalues(model))\n\n#display leverage stats for each observation\n<\/span>hats\n\n hatvalues(model)\nMazda RX4 0.04235795\nMazda RX4 Wag 0.04235795\nDatsun 710 0.06287776\nHornet 4 Drive 0.07614472\nHornet Sportabout 0.08097817\nValiant 0.05945972\nDuster 360 0.09828955\nMerc 240D 0.08816960\nMerc 230 0.05102253\nMerc 280 0.03990060\nMerc 280C 0.03990060\nMerc 450SE 0.03890159\nMerc 450SL 0.03890159\nMerc 450SLC 0.03890159\nCadillac Fleetwood 0.19443875\nLincoln Continental 0.16042361\nChrysler Imperial 0.12447530\nFiat 128 0.08346304\nHonda Civic 0.09493784\nToyota Corolla 0.08732818\nToyota Corona 0.05697867\nDodge Challenger 0.06954069\nAMC Javelin 0.05767659\nCamaro Z28 0.10011654\nPontiac Firebird 0.12979822\nFiat X1-9 0.08334018\nPorsche 914-2 0.05785170\nLotus Europa 0.08193899\nFord Pantera L 0.13831817\nFerrari Dino 0.12608583\nMaserati Bora 0.49663919\nVolvo 142E 0.05848459\n<\/strong><\/pre>\n #sort observations by leverage, descending<\/span>\nhats[ order<\/span> (-hats[' hatvalues(model)<\/span> ']), ]\n\n [1] 0.49663919 0.19443875 0.16042361 0.13831817 0.12979822 0.12608583\n [7] 0.12447530 0.10011654 0.09828955 0.09493784 0.08816960 0.08732818\n[13] 0.08346304 0.08334018 0.08193899 0.08097817 0.07614472 0.06954069\n[19] 0.06287776 0.05945972 0.05848459 0.05785170 0.05767659 0.05697867\n[25] 0.05102253 0.04235795 0.04235795 0.03990060 0.03990060 0.03890159\n[31] 0.03890159 0.03890159\n<\/strong><\/pre>\n Krok 3: Wizualizuj d\u017awigni\u0119 dla ka\u017cdej obserwacji<\/strong><\/span><\/h3>\n
#plot leverage values for each observation<\/span>\nplot(hatvalues(model), type = ' h<\/span> ')\n<\/strong><\/pre>\n![\"d\u017awignia](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/effet-de-levier1.png\")
<\/p>\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":"