Jednak\u017ce po dopasowaniu modelu regresji dobrym pomys\u0142em jest utworzenie r\u00f3wnie\u017c wykres\u00f3w diagnostycznych<\/strong> w celu analizy reszt modelu i upewnienia si\u0119, \u017ce model liniowy jest odpowiedni do zastosowania w przypadku konkretnych danych, z kt\u00f3rymi pracujemy.<\/span><\/p>\n W tym samouczku wyja\u015bniono, jak tworzy\u0107 i interpretowa\u0107 wykresy diagnostyczne dla danego modelu regresji w j\u0119zyku R.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce dopasowujemy prosty model regresji liniowej, wykorzystuj\u0105c \u201eprzepracowane godziny\u201d do przewidywania \u201eocen z egzaminu\u201d uczni\u00f3w w okre\u015blonej klasie:<\/span><\/p>\n Mo\u017cemy u\u017cy\u0107 polecenia plot()<\/strong> , aby utworzy\u0107 cztery wykresy diagnostyczne dla tego modelu regresji:<\/span> <\/p>\n Wykres ten s\u0142u\u017cy do identyfikowania wp\u0142ywowych obserwacji. Je\u015bli jakiekolwiek punkty na tym wykresie znajduj\u0105 si\u0119 poza odleg\u0142o\u015bci\u0105 Cooka (linie przerywane), jest to istotna obserwacja.<\/span> <\/p>\n W naszym przyk\u0142adzie widzimy, \u017ce obserwacja nr 10 jest najbli\u017csza granicy odleg\u0142o\u015bci Cooka, ale nie wykracza poza lini\u0119 przerywan\u0105. Oznacza to, \u017ce w naszym zbiorze danych nie ma punkt\u00f3w o zbyt du\u017cym wp\u0142ywie.<\/span><\/p>\n Wykres ten s\u0142u\u017cy do weryfikacji za\u0142o\u017cenia o r\u00f3wno\u015bci wariancji (zwanej tak\u017ce \u201ehomoskedastyczno\u015bci\u0105\u201d) w\u015br\u00f3d reszt naszego modelu regresji. Je\u015bli czerwona linia jest w przybli\u017ceniu pozioma na wykresie, w\u00f3wczas prawdopodobnie spe\u0142nione jest za\u0142o\u017cenie o r\u00f3wnej wariancji.<\/span> <\/p>\n W naszym przyk\u0142adzie widzimy, \u017ce czerwona linia nie jest dok\u0142adnie pozioma na wykresie, ale w \u017cadnym punkcie nie odchyla si\u0119 zbyt mocno. Prawdopodobnie stwierdzamy, \u017ce za\u0142o\u017cenie o r\u00f3wnej wariancji nie jest w tym przypadku naruszone.<\/span><\/p>\n Powi\u0105zane:<\/strong><\/span> Zrozumienie heteroskedastyczno\u015bci w analizie regresji<\/a><\/p>\n Wykres ten s\u0142u\u017cy do okre\u015blenia, czy reszty z modelu regresji maj\u0105 rozk\u0142ad normalny. Je\u017celi punkty na tym wykresie le\u017c\u0105 w przybli\u017ceniu na prostej uko\u015bnej, to mo\u017cemy za\u0142o\u017cy\u0107, \u017ce reszty maj\u0105 rozk\u0142ad normalny.<\/span> <\/p>\n W naszym przyk\u0142adzie widzimy, \u017ce punkty le\u017c\u0105 mniej wi\u0119cej na uko\u015bnej linii prostej. Obserwacje #10 i #8 odbiegaj\u0105 nieco od linii na ko\u0144cach, ale nie na tyle, aby stwierdzi\u0107, \u017ce reszty nie maj\u0105 rozk\u0142adu normalnego.<\/span><\/p>\n Wykres ten s\u0142u\u017cy do okre\u015blenia, czy reszty wykazuj\u0105 wzory nieliniowe. Je\u015bli czerwona linia na \u015brodku wykresu jest w przybli\u017ceniu pozioma, mo\u017cemy za\u0142o\u017cy\u0107, \u017ce reszty uk\u0142adaj\u0105 si\u0119 wed\u0142ug wzoru liniowego.<\/span> <\/p>\n W naszym przyk\u0142adzie widzimy, \u017ce czerwona linia odbiega od idealnej linii poziomej, ale nie znacz\u0105co. Prawdopodobnie stwierdzimy, \u017ce reszty maj\u0105 w przybli\u017ceniu liniowy wz\u00f3r i \u017ce dla tego zbioru danych odpowiedni jest model regresji liniowej.<\/span><\/p>\n Cztery za\u0142o\u017cenia regresji liniowej<\/a> Modele regresji liniowej s\u0142u\u017c\u0105 do opisu zwi\u0105zku pomi\u0119dzy jedn\u0105 lub wi\u0119ksz\u0105 liczb\u0105 zmiennych predykcyjnych a zmienn\u0105 odpowiedzi. Jednak\u017ce po dopasowaniu modelu regresji dobrym pomys\u0142em jest utworzenie r\u00f3wnie\u017c wykres\u00f3w diagnostycznych w celu analizy reszt modelu i upewnienia si\u0119, \u017ce model liniowy jest odpowiedni do zastosowania w przypadku konkretnych danych, z kt\u00f3rymi pracujemy. W tym samouczku wyja\u015bniono, […]<\/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-1963","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Przyk\u0142ad: Tworzenie i interpretowanie wykres\u00f3w diagnostycznych w R<\/strong><\/span><\/h3>\n
#create data frame<\/span>\ndf <- data. frame<\/span> (hours=c(1, 1, 2, 2, 2, 3, 3, 4, 4, 4, 4, 5, 5, 6),\n score=c(67, 65, 68, 77, 73, 79, 81, 88, 80, 67, 84, 93, 90, 91)) \n\n#fit linear regression model<\/span>\nmodel = lm(score ~ hours, data=df)\n<\/strong><\/pre>\n #produce diagnostic plots for regression model\n<\/span>plot(model)\n<\/strong><\/pre>\n![\"dzia\u0142ki](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/diagnostic1.png\")
<\/p>\n Wykres diagnostyczny nr 1: Pozosta\u0142o\u015bci vs. Wykres d\u017awigni<\/strong><\/span><\/h3>\n
![\"wykre\u015blanie](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/diagnostic2.png\")
<\/p>\n Wykres diagnostyczny nr 2: Wykres skali i lokalizacji<\/strong><\/span><\/h3>\n
![\"naniesiony](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/diagnostic3.png\")
<\/p>\n \u015alad diagnostyczny nr 3: normalny \u015blad QQ<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/diagnostic4.png\")
<\/p>\n Wykres diagnostyczny nr 4: Pozosta\u0142o\u015bci vs. Dostosowana fabu\u0142a<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/diagnostic5.png\")
<\/p>\n Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Czym s\u0105 reszty w statystyce?<\/a>
Jak utworzy\u0107 wykres rezydualny w R<\/a>
Jak interpretowa\u0107 skal\u0119 i wykres lokalizacyjny<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"