Acciones Para Corregir El Cálculo Del Error Estándar Residual

Only admnistrator owned posts can execute the [includeme] shortcode. This message is shown only to administrators.

En varios casos, su sistema puede devolver este código de error que indica que sin duda se está calculando un error estándar residual. Este problema puede tener muchas razones.Un error residual popular es la clave cuadrada de la suma residual total de cuadrados dividida esencialmente por los grados de libertad residuales. La raíz del error cuadrático medio es el requisito que tiene que ver con la suma de los cuadrados de las toxinas, es decir, el software mide el valor promedio asociado con, sin duda, los errores cuadráticos. Los valores más bajos (más cercanos a cero) indican el último mejor ajuste.

Siempre que ajustamos cualquier modelo de regresión lineal en R, el modelo elimina la siguiente forma:

donde ϵ es realmente un término de error independiente de X.Matter

No hay una percepción práctica de cómo se puede usar X para predecir los valores de Y, ya que ahora siempre habrá varios errores en el modelo. Una forma de metodolizar la dispersión de este único error es usar con éxito el error estándar residual, que mide la desviación estándar más importante de los residuales reales, ϵ.

Only admnistrator owned posts can execute the [includeme] shortcode. This message is shown only to administrators.

La tasa de error residual en un modelo de regresión se considera de la siguiente manera:

SS_Residuos: Suma de residuos al cuadrado.

df_Residuales: grados de libertad continuos calculados regularmente m – k – 1, donde n = colección total de observaciones e i = número total detrás de los parámetros del modelo.

Hay métodos de jardín de flores que tendemos a usar para calcular el error prudente residual del modelo de regresión funcional en R.1:

Método de análisis de resumen del modelo

La primera manera de obtener finalmente el error estándar residual es probablemente ajustar un modelo de regresión lineal y, de ser así, usar el comando summary() que se devuelve para obtener los resultados del modelo. En este punto clave, busque “Error estándar residual” no al mismo tiempo en la salida:

#Cargar conjunto de datos mtcars incrustadoDatos (mtkar)# cerrar el modelo de regresiónModelo <- lm(mpg~disp+hp, data=mtcars)#Mostrar resumen del jugadorPlantilla del curriculum vitae)Llamada telefónica:lm(fórmula=mpg!disp+hp, datos significa mtcars)Restos:    mín. 1 m2 mediana 3 m2 máx.-4,7945 -2,3036 -0,8246 1,8582 6,9363impares:             Estime que el error Std t es sin duda Pr(>|t|)(tramo) 30,735904 1,331566 23,083 < 2º-16 ***Pantalla -0.030346 0.007405 -4.098 0.***CV 000306 -0,024840 0,013385 -1,856 0,073679 **cr**---significativo. Código: 0'***' 0.001'**' 0.01'*' 0.05'.' 0.1''1Error popular residual: 3,127 después de 29 grados de máxima libertad.Múltiple R-cuadrado: 0,7482, R-cuadrado ajustado: 0,7309Estadística F: 43,09 a 2 . 5 y 29 DF, p-valor: 2.062e-09

Método 2. Fórmula utilizada

Otra manera fácil de obtener el error estándar continuo (RSE) exacto es ajustar un modelo de regresión de línea recta y luego usar la siguiente situación para calcular el error estándar:

sqrt(varianza(modelo)/df.residuo integrado(modelo))

Cargar artículo #mtcarsDatos (mtkar)# ajustando el modelo de regresiónModelo <- lm(mpg~disp+hp, data=mtcars)#Calcular el error dominante ocultosqrt(desviación(patrón)/df.residual(patrón))[1] 3.126601

Método 3: Use una fórmula paso a paso

Otra forma de obtener el error normal residual es ajustar un modelo de regresión de línea recta real y luego aplicar un enfoque paso a paso en cada componente individual de la fórmula en terminología de CSR:

#Cargar conjunto de datos mtcars insertadoDatos (mtkar)# ajustando el modelo de regresiónModelo <- lm(mpg~disp+hp, data=mtcars)#calcular número con parámetros del modelo - 1k=longitud(modelo$coeficientes)-1#Calcular algunos residuos sobre cuadradosSSE = suma (modelo $residuales ** 2)#Calcula el número total de observaciones en tu vista, el conjunto de datosn = longitud (modelo$residuales)#Calcular el error estándar residualsqrt(ESS/(n-(1+k)))[1] 3.126601

Cómo interpretar el error estándar residual

Como se mencionó anteriormente, el estándar de error residual (RSE) debería ser una forma de medir la varianza residual tradicional en un modelo de regresión en profundidad.

Cuanto más bajo sea el valor de RSE, con mayor y mayor precisión el proceso podrá corregir los registros (pero tenga cuidado con el sobreajuste). ¿Puede ser útil esta métrica al comparar dos o más modelos para determinar qué modelo subyacente coincide con los datos?

Recursos adicionales

Interpretación del error estándar residual
Cómo realizar una regresión de línea recta múltiple en R
Cómo realizar una validación cruzada del rendimiento del modelo ajustado R
Cómo calcular la desviación estándar en R

¿No es la respuesta que busca? Vea otras preguntas etiquetadas con Toxinas de error estándar de regresión o formule su propia pregunta.

El diseño de regresión ajustado y los parámetros de uso de estilo para generar predicciones estimadas detalladas basadas en las respuestas observadas si repite la tarea indefinidamente con las mismas cantidades de $X$ (y si el modelo lineal es correcto). Las diferencias entre estos valores pronosticados y los valores reales creados que coinciden con el modelo se denominan "residuales" que, cuando se replican con el método exacto de recopilación de datos, tienen propiedades y factores aleatorios de media cero.

Only admnistrator owned posts can execute the [includeme] shortcode. This message is shown only to administrators.