{"id":2255,"date":"2023-07-23T01:30:54","date_gmt":"2023-07-23T01:30:54","guid":{"rendered":"https:\/\/statorials.org\/pl\/przewidywania-na-podstawie-rankingu-slabego-dopasowania-moga-wprowadzac-w-blad\/"},"modified":"2023-07-23T01:30:54","modified_gmt":"2023-07-23T01:30:54","slug":"przewidywania-na-podstawie-rankingu-slabego-dopasowania-moga-wprowadzac-w-blad","status":"publish","type":"post","link":"https:\/\/statorials.org\/pl\/przewidywania-na-podstawie-rankingu-slabego-dopasowania-moga-wprowadzac-w-blad\/","title":{"rendered":"Jak naprawi\u0107: przewidywanie s\u0142abej korekty rangi mo\u017ce wprowadza\u0107 w b\u0142\u0105d"},"content":{"rendered":"

<\/p>\n

\n

Typowym ostrze\u017ceniem, kt\u00f3re mo\u017cesz napotka\u0107 w R, jest:<\/span><\/p>\n

 Warning message:\nIn predict.lm(model, df):\n  prediction from a rank-deficient fit may be misleading\n<\/strong><\/span><\/pre>\n
 To ostrze\u017cenie mo\u017ce wyst\u0105pi\u0107 z dw\u00f3ch powod\u00f3w:<\/span><\/p>\n
 Pow\u00f3d 1<\/strong> : Dwie zmienne predykcyjne s\u0105 doskonale skorelowane.<\/span><\/p>\n
 Pow\u00f3d 2<\/strong> : Masz wi\u0119cej parametr\u00f3w modelu ni\u017c obserwacji w zbiorze danych.<\/span><\/p>\n
 Poni\u017csze przyk\u0142ady pokazuj\u0105, jak ka\u017cdy problem mo\u017ce pojawi\u0107 si\u0119 w praktyce.<\/span><\/p>\n
 Pow\u00f3d nr 1: Dwie zmienne predykcyjne s\u0105 doskonale skorelowane<\/strong><\/span><\/h3>\n
 Za\u0142\u00f3\u017cmy, \u017ce dopasujemy nast\u0119puj\u0105cy model regresji liniowej do R i spr\u00f3bujemy u\u017cy\u0107 go do przewidywania:<\/span><\/p>\n
 #create data frame\n<\/span>df <- data. frame<\/span> (x1=c(1, 2, 3, 4),\n                 x2=c(2, 4, 6, 8),\n                 y=c(6, 10, 19, 26))\n\n#fit multiple linear regression model\n<\/span>model <- lm(y~x1+x2, data=df)\n\n#use model to make predictions\n<\/span>predict(model, df)\n\n   1 2 3 4 \n 4.9 11.8 18.7 25.6 \nWarning message:\nIn predict.lm(model, df):\n  prediction from a rank-deficient fit may be misleading<\/span><\/span><\/strong><\/pre>\n
 Otrzymujemy komunikat ostrzegawczy, poniewa\u017c zmienne predykcyjne x1 i x2 s\u0105 doskonale skorelowane<\/strong> .<\/span><\/p>\n
 Zauwa\u017c, \u017ce warto\u015bci x2 s\u0105 po prostu r\u00f3wne warto\u015bciom x1 pomno\u017conym przez dwa. Jest to przyk\u0142ad doskona\u0142ej wielowsp\u00f3\u0142liniowo\u015bci<\/a> .<\/span><\/p>\n
 Oznacza to, \u017ce x1 i x2 nie dostarczaj\u0105 unikalnych i niezale\u017cnych informacji w modelu regresji, co powoduje problemy przy dopasowywaniu i interpretacji modelu.<\/span><\/p>\n
 Naj\u0142atwiejszym sposobem rozwi\u0105zania tego problemu jest po prostu usuni\u0119cie jednej ze zmiennych predykcyjnych z modelu, poniewa\u017c niepotrzebne jest posiadanie obu zmiennych predykcyjnych w modelu.<\/span><\/p>\n
 Pow\u00f3d nr 2: Istnieje wi\u0119cej parametr\u00f3w modelu ni\u017c obserwacji<\/strong><\/span><\/h3>\n
 Za\u0142\u00f3\u017cmy, \u017ce dopasujemy nast\u0119puj\u0105cy model regresji liniowej do R i spr\u00f3bujemy u\u017cy\u0107 go do przewidywania:<\/span><\/p>\n
 #create data frame\n<\/span>df <- data. frame<\/span> (x1=c(1, 2, 3, 4),\n                 x2=c(3, 3, 8, 12),\n                 x3=c(4, 6, 3, 11),\n                 y=c(6, 10, 19, 26))\n\n#fit multiple linear regression model\n<\/span>model <- lm(y~x1*x2*x3, data=df)\n\n#use model to make predictions\n<\/span>predict(model, df)\n\n 1 2 3 4 \n 6 10 19 26 \nWarning message:\nIn predict.lm(model, df):\n  prediction from a rank-deficient fit may be misleading\n<\/span><\/span><\/strong><\/pre>\n
 Otrzymujemy komunikat ostrzegawczy, poniewa\u017c pr\u00f3bowali\u015bmy dopasowa\u0107 model regresji z siedmioma ca\u0142kowitymi wsp\u00f3\u0142czynnikami modelu:<\/span><\/p>\n