Kiedy przeprowadzamy regresj\u0119 liniow\u0105 na zbiorze danych, otrzymujemy r\u00f3wnanie regresji, kt\u00f3re mo\u017cna wykorzysta\u0107 do przewidywania warto\u015bci zmiennej odpowiedzi, bior\u0105c pod uwag\u0119 warto\u015bci zmiennych obja\u015bniaj\u0105cych.<\/span><\/p>\n Mo\u017cemy nast\u0119pnie zmierzy\u0107 r\u00f3\u017cnic\u0119 mi\u0119dzy warto\u015bciami przewidywanymi a warto\u015bciami rzeczywistymi, aby uzyska\u0107 reszty<\/strong> dla ka\u017cdej prognozy. Pomaga nam to zorientowa\u0107 si\u0119, jak dobrze nasz model regresji przewiduje warto\u015bci odpowiedzi.<\/span><\/p>\n W tym samouczku wyja\u015bniono, jak uzyska\u0107 zar\u00f3wno warto\u015bci przewidywane<\/strong> , jak i reszty<\/strong> dla modelu regresji w Stata.<\/span><\/p>\n W tym przyk\u0142adzie u\u017cyjemy wbudowanego zbioru danych Stata o nazwie auto<\/em> . U\u017cyjemy mpg<\/em> i pojemno\u015bci skokowej<\/em> jako zmiennych obja\u015bniaj\u0105cych, a ceny<\/em> jako zmiennej odpowiedzi.<\/span><\/p>\n Wykonaj poni\u017csze kroki, aby przeprowadzi\u0107 regresj\u0119 liniow\u0105, a nast\u0119pnie uzyska\u0107 przewidywane warto\u015bci i reszty dla modelu regresji.<\/span><\/p>\n Krok 1: Za\u0142aduj i wy\u015bwietl dane.<\/strong><\/span><\/p>\n Najpierw za\u0142adujemy dane za pomoc\u0105 nast\u0119puj\u0105cego polecenia:<\/span><\/p>\n automatyczne korzystanie z systemu<\/strong><\/span><\/p>\n<\/blockquote>\n Nast\u0119pnie uzyskamy szybkie podsumowanie danych za pomoc\u0105 nast\u0119puj\u0105cego polecenia:<\/span><\/p>\n podsumowa\u0107<\/strong><\/span> <\/p>\n<\/blockquote>\n Krok 2: Dopasuj model regresji.<\/strong><\/span><\/p>\n Nast\u0119pnie u\u017cyjemy nast\u0119puj\u0105cego polecenia, aby dopasowa\u0107 model regresji:<\/span><\/p>\n regresja cena mpg przemieszczenie<\/strong><\/span> <\/p>\n<\/blockquote>\n Szacowane r\u00f3wnanie regresji to:<\/span><\/p>\n szacunkowa cena = 6672,766 -121,1833*(mpg) + 10,50885*(pojemno\u015b\u0107)<\/span><\/p>\n Krok 3: Uzyskaj przewidywane warto\u015bci.<\/strong><\/span><\/p>\n Przewidywane warto\u015bci mo\u017cemy uzyska\u0107 za pomoc\u0105 polecenia przewidywania<\/strong> i przechowywania tych warto\u015bci w zmiennej o dowolnej nazwie. W tym przypadku u\u017cyjemy nazwy pred_price<\/strong> :<\/span><\/p>\n przewiduj pred_price<\/strong><\/span><\/p>\n<\/blockquote>\n Za pomoc\u0105 polecenia list<\/strong> mo\u017cemy wy\u015bwietli\u0107 obok siebie ceny aktualne i ceny przewidywane. W sumie przewidywanych warto\u015bci jest 74, ale my wy\u015bwietlimy tylko pierwsze 10 za pomoc\u0105 polecenia in 1\/10<\/strong> :<\/span><\/p>\n cena katalogowa pred_price w 1\/10<\/strong><\/span> <\/p>\n<\/blockquote>\n Krok 4: Zdob\u0105d\u017a pozosta\u0142o\u015b\u0107.<\/strong><\/span><\/p>\n Reszty ka\u017cdej prognozy mo\u017cemy uzyska\u0107 za pomoc\u0105 polecenia reszt<\/strong> i przechowuj\u0105c te warto\u015bci w zmiennej o dowolnej nazwie. W tym przypadku u\u017cyjemy nazwy resid_price<\/strong> :<\/span><\/p>\n przewidzie\u0107 cen\u0119_rezydencji, pozosta\u0142o\u015bci<\/strong><\/span><\/p>\n<\/blockquote>\n Mo\u017cemy wy\u015bwietli\u0107 obok siebie cen\u0119 rzeczywist\u0105, cen\u0119 oczekiwan\u0105 i reszt\u0119, u\u017cywaj\u0105c ponownie polecenia list<\/strong> :<\/span><\/p>\n cena katalogowa pred_price resid_price w 1\/10<\/strong><\/span> <\/p>\n<\/blockquote>\n Krok 5: Utw\u00f3rz wykres przewidywanych warto\u015bci wzgl\u0119dem reszt.<\/strong><\/span><\/p>\n Na koniec mo\u017cemy stworzy\u0107 wykres rozrzutu, aby zwizualizowa\u0107 zwi\u0105zek mi\u0119dzy przewidywanymi warto\u015bciami a resztami:<\/span><\/p>\n dyspersja rezydencja_cena pred_cena<\/strong><\/span> <\/p>\n<\/blockquote>\n Widzimy, \u017ce \u015brednio reszty maj\u0105 tendencj\u0119 do zwi\u0119kszania si\u0119 wraz ze wzrostem dopasowanych warto\u015bci. Mo\u017ce to by\u0107 oznak\u0105 heteroskedastyczno\u015bci<\/a> \u2013 gdy rozk\u0142ad reszt nie jest sta\u0142y na ka\u017cdym poziomie odpowiedzi.<\/span><\/p>\n Mogliby\u015bmy formalnie przetestowa\u0107 heteroskedastyczno\u015b\u0107 za pomoc\u0105 testu Breuscha-Pagana<\/a> i rozwi\u0105za\u0107 ten problem za pomoc\u0105 solidnych b\u0142\u0119d\u00f3w standardowych<\/a> .<\/span><\/p>\n","protected":false},"excerpt":{"rendered":" Regresja liniowa to metoda, kt\u00f3rej mo\u017cemy u\u017cy\u0107 do zrozumienia zwi\u0105zku mi\u0119dzy jedn\u0105 lub wi\u0119ksz\u0105 liczb\u0105 zmiennych obja\u015bniaj\u0105cych a zmienn\u0105 odpowiedzi. Kiedy przeprowadzamy regresj\u0119 liniow\u0105 na zbiorze danych, otrzymujemy r\u00f3wnanie regresji, kt\u00f3re mo\u017cna wykorzysta\u0107 do przewidywania warto\u015bci zmiennej odpowiedzi, bior\u0105c pod uwag\u0119 warto\u015bci zmiennych obja\u015bniaj\u0105cych. Mo\u017cemy nast\u0119pnie zmierzy\u0107 r\u00f3\u017cnic\u0119 mi\u0119dzy warto\u015bciami przewidywanymi a warto\u015bciami rzeczywistymi, aby […]<\/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-629","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Przyk\u0142ad: Jak uzyska\u0107 przewidywane warto\u015bci i reszty<\/strong><\/span><\/h3>\n
\n
\n
![\"Podsumuj](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/residusstata1.png\")
<\/p>\n\n
![\"Dane](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/residusstata2.png\")
<\/p>\n\n
\n
![\"Rzeczywiste](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/residusstata3.png\")
<\/p>\n\n
\n
![\"reszty](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/residusstata4.png\")
<\/p>\n\n
![\"Wykres](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/residusstata5.png\")
<\/p>\n