Jednak\u017ce jednym z kluczowych za\u0142o\u017ce\u0144<\/a> wielokrotnej regresji liniowej jest to, \u017ce istnieje liniowa zale\u017cno\u015b\u0107 pomi\u0119dzy ka\u017cd\u0105 zmienn\u0105 predykcyjn\u0105 a zmienn\u0105 odpowiedzi.<\/span><\/p>\n Je\u017celi to za\u0142o\u017cenie nie zostanie spe\u0142nione, wyniki modelu regresji mog\u0105 nie by\u0107 wiarygodne.<\/span><\/p>\n Jednym ze sposob\u00f3w sprawdzenia tego za\u0142o\u017cenia jest utworzenie wykresu reszt cz\u0105stkowych<\/strong> , kt\u00f3ry przedstawia reszty<\/a> zmiennej predykcyjnej w stosunku do zmiennej odpowiedzi.<\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje, jak utworzy\u0107 cz\u0119\u015bciowe wykresy reszt dla modelu regresji w R.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce dopasowujemy model regresji z trzema zmiennymi predykcyjnymi w R:<\/span><\/p>\n Mo\u017cemy u\u017cy\u0107 funkcji crPlots()<\/strong> z pakietu car<\/strong> w R, aby utworzy\u0107 cz\u0119\u015bciowe wykresy reszt dla ka\u017cdej zmiennej predykcyjnej w modelu:<\/span> <\/p>\n Niebieska linia pokazuje oczekiwane reszty, je\u015bli zwi\u0105zek mi\u0119dzy predyktorem a zmienn\u0105 odpowiedzi by\u0142 liniowy. R\u00f3\u017cowa linia pokazuje rzeczywiste pozosta\u0142o\u015bci.<\/span><\/p>\n Je\u017celi te dwie linie znacznie si\u0119 r\u00f3\u017cni\u0105, oznacza to, \u017ce istnieje zale\u017cno\u015b\u0107 nieliniowa.<\/span><\/p>\n Z powy\u017cszych wykres\u00f3w wida\u0107, \u017ce reszty dla x2 i x3 wydaj\u0105 si\u0119 nieliniowe.<\/span><\/p>\n Narusza to za\u0142o\u017cenie liniowo\u015bci wielokrotnej regresji liniowej. Jednym ze sposob\u00f3w rozwi\u0105zania tego problemu jest u\u017cycie transformacji pierwiastka kwadratowego lub sze\u015bciennego na zmiennych predykcyjnych:<\/span> <\/p>\n Z cz\u0119\u015bciowych wykres\u00f3w reszt mo\u017cemy zobaczy\u0107, \u017ce x2 ma teraz bardziej liniow\u0105 zale\u017cno\u015b\u0107 ze zmienn\u0105 odpowiedzi.<\/span><\/p>\n Zmienna predykcyjna x3 jest nadal nieco nieliniowa, wi\u0119c mo\u017cemy zdecydowa\u0107 si\u0119 na kolejn\u0105 transformacj\u0119 lub ewentualnie ca\u0142kowicie usun\u0105\u0107 zmienn\u0105 z modelu.<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak tworzy\u0107 inne typowe wykresy w R:<\/span><\/p>\n Jak tworzy\u0107 wykresy diagnostyczne w R<\/a> Wielokrotna regresja liniowa to metoda statystyczna, kt\u00f3r\u0105 mo\u017cemy wykorzysta\u0107 do zrozumienia zwi\u0105zku mi\u0119dzy wieloma zmiennymi predykcyjnymi azmienn\u0105 odpowiedzi . Jednak\u017ce jednym z kluczowych za\u0142o\u017ce\u0144 wielokrotnej regresji liniowej jest to, \u017ce istnieje liniowa zale\u017cno\u015b\u0107 pomi\u0119dzy ka\u017cd\u0105 zmienn\u0105 predykcyjn\u0105 a zmienn\u0105 odpowiedzi. Je\u017celi to za\u0142o\u017cenie nie zostanie spe\u0142nione, wyniki modelu regresji mog\u0105 nie by\u0107 wiarygodne. Jednym ze […]<\/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-2534","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Przyk\u0142ad: Jak utworzy\u0107 cz\u0119\u015bciowe wykresy resztowe w R<\/strong><\/span><\/h3>\n
#make this example reproducible\n<\/span>set. seeds<\/span> (0)\n\n#define response variable\n<\/span>y <- c(1:1000)\n\n#define three predictor variables\n<\/span>x1 <- c(1:1000)*runif(n=1000)\nx2 <- (c(1:1000)*rnorm(n=1000))^2\nx3 <- (c(1:1000)*rnorm(n=1000))^3\n\n#fit multiple linear regression model\n<\/span>model <- lm(y~x1+x2+x3))<\/strong><\/pre>\n library<\/span> (car)\n\n#create partial residual plots\n<\/span>crPlots(model)\n<\/strong><\/pre>\n![\"cz\u0119\u015bciowe](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/partiel1.jpg\")
<\/p>\n library<\/span> (car)\n\n#fit new model with transformed predictor variables\n<\/span>model_transformed <- lm(y~x1+sqrt(x2)+log10(x3^(1\/3)))\n\n#create partial residual plots for new model\n<\/span>crPlots(model_transformed)\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/partiel2.jpg\")
<\/p>\n Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak utworzy\u0107 skal\u0119 i wykres lokalizacji w R<\/a>
Jak utworzy\u0107 wykres rezydualny w R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"