Idealnie by\u0142oby, gdyby punkty na wykresie resztowym by\u0142y losowo rozproszone wok\u00f3\u0142 warto\u015bci zero, bez wyra\u017anego wzoru.<\/span><\/p>\n Je\u015bli napotkasz wykres resztkowy, na kt\u00f3rym punkty wykresu maj\u0105 zakrzywiony wz\u00f3r, prawdopodobnie oznacza to, \u017ce model regresji okre\u015blony dla danych jest nieprawid\u0142owy.<\/span><\/p>\n W wi\u0119kszo\u015bci przypadk\u00f3w oznacza to, \u017ce pr\u00f3bowa\u0142e\u015b dopasowa\u0107 model regresji liniowej do zbioru danych, kt\u00f3ry zamiast tego pod\u0105\u017ca za trendem kwadratowym.<\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje, jak w praktyce interpretowa\u0107 (i korygowa\u0107) zakrzywiony wykres reszt.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce zbieramy nast\u0119puj\u0105ce dane dotycz\u0105ce liczby godzin przepracowanych tygodniowo i zg\u0142aszanego poziomu szcz\u0119\u015bcia (w skali od 0 do 100) dla 11 r\u00f3\u017cnych os\u00f3b w biurze:<\/span> <\/p>\n Gdyby\u015bmy stworzyli prosty wykres rozrzutu godzin przepracowanych w funkcji poziomu szcz\u0119\u015bcia, wygl\u0105da\u0142oby to tak:<\/span> <\/p>\n Za\u0142\u00f3\u017cmy teraz, \u017ce chcemy dopasowa\u0107 model regresji, wykorzystuj\u0105c przepracowane godziny do przewidywania poziomu szcz\u0119\u015bcia.<\/span><\/p>\n Poni\u017cszy kod pokazuje, jak dopasowa\u0107 prosty model regresji liniowej<\/strong> do tego zbioru danych i utworzy\u0107 wykres reszt w j\u0119zyku R:<\/span> <\/p>\n O\u015b x wy\u015bwietla dopasowane warto\u015bci, a o\u015b y wy\u015bwietla reszty.<\/span><\/p>\n Z wykresu wida\u0107, \u017ce reszty zawieraj\u0105 zakrzywiony wz\u00f3r, co wskazuje, \u017ce model regresji liniowej nie zapewnia odpowiedniego dopasowania do tego zbioru danych.<\/span><\/p>\n Poni\u017cszy kod pokazuje, jak dopasowa\u0107 model regresji kwadratowej<\/strong> do tego zbioru danych i utworzy\u0107 wykres reszt w R:<\/span> <\/p>\n Po raz kolejny o\u015b x pokazuje dopasowane warto\u015bci, a o\u015b y pokazuje reszty.<\/span><\/p>\n Z wykresu wida\u0107, \u017ce reszty s\u0105 losowo rozrzucone wok\u00f3\u0142 zera i nie ma wyra\u017anego trendu w zakresie reszt.<\/span><\/p>\n To m\u00f3wi nam, \u017ce model regresji kwadratowej znacznie lepiej dopasowuje ten zbi\u00f3r danych ni\u017c model regresji liniowej.<\/span><\/p>\n Powinno to mie\u0107 sens, bior\u0105c pod uwag\u0119, \u017ce widzieli\u015bmy, \u017ce prawdziwy zwi\u0105zek mi\u0119dzy przepracowanymi godzinami a poziomem szcz\u0119\u015bcia wydaje si\u0119 mie\u0107 charakter kwadratowy, a nie liniowy.<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak tworzy\u0107 wykresy reszt przy u\u017cyciu r\u00f3\u017cnych program\u00f3w statystycznych:<\/span><\/p>\n Jak r\u0119cznie utworzy\u0107 \u015bcie\u017ck\u0119 resztkow\u0105<\/a> Wykresy reszt s\u0142u\u017c\u0105 do oceny, czy reszty modelu regresji maj\u0105 rozk\u0142ad normalny i czy wykazuj\u0105 heteroskedastyczno\u015b\u0107 . Idealnie by\u0142oby, gdyby punkty na wykresie resztowym by\u0142y losowo rozproszone wok\u00f3\u0142 warto\u015bci zero, bez wyra\u017anego wzoru. Je\u015bli napotkasz wykres resztkowy, na kt\u00f3rym punkty wykresu maj\u0105 zakrzywiony wz\u00f3r, prawdopodobnie oznacza to, \u017ce model regresji okre\u015blony dla danych jest nieprawid\u0142owy. […]<\/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-3810","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Przyk\u0142ad: Interpretacja zakrzywionego wykresu reszt<\/strong><\/h2>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/quadti1.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/courbe1.jpg\")
<\/p>\n #create dataframe\n<\/span>df <- data. frame<\/span> (hours=c(6, 9, 12, 14, 30, 35, 40, 47, 51, 55, 60),\n happiness=c(14, 28, 50, 70, 89, 94, 90, 75, 59, 44, 27))\n#fit linear regression model\n<\/span>linear_model <- lm(happiness ~ hours, data=df)\n\n#get list of residuals \n<\/span>res <- resid(linear_model)\n\n#produce residual vs. fitted plot\n<\/span>plot(fitted(linear_model), res, xlab=' Fitted Values<\/span> ', ylab=' Residuals<\/span> ')\n\n#add a horizontal line at 0 \n<\/span>abline(0,0)\n<\/strong><\/span><\/pre>\n![\"zakrzywiona](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/courbe2.jpg\")
<\/p>\n #create dataframe\n<\/span>df <- data. frame<\/span> (hours=c(6, 9, 12, 14, 30, 35, 40, 47, 51, 55, 60),\n happiness=c(14, 28, 50, 70, 89, 94, 90, 75, 59, 44, 27))\n#define quadratic term to use in model\ndf$hours2 <- df$hours^2\n\n#fit quadratic regression model\n<\/span>quadratic_model <- lm(happiness ~ hours + hours2, data=df)\n\n#get list of residuals \n<\/span>res <- resid(quadratic_model)\n\n#produce residual vs. fitted plot\n<\/span>plot(fitted(quadratic_model), res, xlab=' Fitted Values<\/span> ', ylab=' Residuals<\/span> ')\n\n#add a horizontal line at 0 \n<\/span>abline(0,0)<\/span><\/span><\/strong><\/span> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/courbe3.jpg\")
<\/p>\n Dodatkowe zasoby<\/strong><\/span><\/h2>\n
Jak utworzy\u0107 wykres rezydualny w R<\/a>
Jak utworzy\u0107 wykres resztowy w programie Excel<\/a>
Jak utworzy\u0107 wykres resztkowy w Pythonie<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"