একাধিক রৈখিক মডেল থেকে দৃষ্টিভঙ্গি সম্পর্ক উপস্থাপনের সেরা উপায়

Question

আমার প্রায় pred০০ ভবিষ্যদ্বাণী নিয়ে একটি লিনিয়ার মডেল রয়েছে এবং আমি অনুমানগুলি, এফ মানগুলি, পি মানগুলি ইত্যাদি উপস্থাপন করতে যাচ্ছি তবে আমি ভাবছিলাম যে কোনও একক ভবিষ্যদ্বাণীীর স্বতন্ত্র প্রভাবকে উপস্থাপন করার জন্য সেরা ভিজ্যুয়াল প্লট কী হবে? প্রতিক্রিয়া পরিবর্তনশীল? Scatterplot? শর্তাধীন প্লট? ইফেক্টের প্লট? ইত্যাদি? আমি কীভাবে এই প্লটটি ব্যাখ্যা করব?

আমি আর-তে এটি করবো তাই উদাহরণস্বরূপ নির্দ্বিধায় যদি আপনি পারেন তা করতে পারেন।

সম্পাদনা: আমি প্রাথমিকভাবে যে কোনও ভবিষ্যদ্বাণী এবং প্রতিক্রিয়া পরিবর্তনশীল এর মধ্যে সম্পর্ক উপস্থাপনের সাথে উদ্বিগ্ন।

Comments

আপনার কি ইন্টারঅ্যাকশন শর্ত আছে? আপনার যদি তা থাকে তবে প্লটিং করা আরও শক্ত হবে।

— হোতাকা

নাহ, মাত্র 6 ক্রমাগত পরিবর্তনশীল

— এএমথিউ

আপনার ইতিমধ্যে ছয়টি রিগ্রেশন সহগ রয়েছে, প্রতিটি পূর্বাভাসীর জন্য একটি, যা সম্ভবত টেবুলার আকারে উপস্থাপিত হতে চলেছে, গ্রাফ দিয়ে আবার একই পয়েন্টটি পুনরাবৃত্তি করার কারণ কী?

— পেঙ্গুইন_কিট

প্রযুক্তিবিহীন শ্রোতাদের জন্য, আমি বরং অনুমানের কথা বলার চেয়ে বা সহগুণগুলি কীভাবে গণনা করা হয় তার চেয়ে আমি তাদের প্লট দেখাব।

— এএম ম্যাথিউ

@ টনি, আমি দেখছি সম্ভবত এই দুটি ওয়েবসাইট আপনাকে কিছুটা অনুপ্রেরণা দিতে পারে: রিগ্রেশন মডেলগুলির ভিজ্যুয়ালাইজ করতে আর ভিজিগ প্যাকেজ এবং ত্রুটি বার প্লট ব্যবহার করে ।

— পেঙ্গুইন_কাইট

Answer 1

আমার মতে, আপনি যে মডেলটি বর্ণনা করেছেন সেগুলি চক্রান্ত করার জন্য নিজেকে ঘৃণা করে না, কারণ প্লটগুলি যখন অন্যথায় বোঝা শক্ত যে জটিল তথ্য প্রদর্শন করে তখন সর্বোত্তমভাবে কাজ করে (যেমন জটিল ইন্টারঅ্যাকশন)। তবে, আপনি যদি নিজের মডেলটিতে সম্পর্কের একটি প্লট প্রদর্শন করতে চান তবে আপনার দুটি প্রধান বিকল্প রয়েছে:

1. কাঁচা ডেটাপয়েন্টগুলির একটি ছড়িয়ে ছিটিয়ে থাকা আপনার আগ্রহের প্রতিটি ভবিষ্যদ্বাণী এবং আপনার ফলাফলের মধ্যে দ্বিবিভক্ত সম্পর্কের প্লটগুলির একটি সিরিজ প্রদর্শন করুন। আপনার লাইনের চারপাশে প্লট ত্রুটি খামগুলি।
2. বিকল্প 1 টি থেকে প্লটটি প্রদর্শন করুন, তবে কাঁচা ডেটাপয়েন্টগুলি দেখানোর পরিবর্তে প্রান্তিক হয়ে আপনার অন্যান্য ভবিষ্যদ্বাণীদের সাথে ডেটাপয়েন্টগুলি দেখান (অর্থাত্, অন্যান্য ভবিষ্যদ্বাণীকারীদের অবদান বাদ দিয়ে)

বিকল্প 1 এর সুবিধাটি হ'ল এটি দর্শকদের কাঁচা ডেটার মধ্যে বিক্ষিপ্ত মূল্যায়ন করতে দেয়। বিকল্প 2 এর সুবিধাটি হ'ল এটি পর্যবেক্ষণ-স্তরের ত্রুটি দেখায় যা ফলস্বরূপ আপনি যে ফোকাল সহগের প্রদর্শন করছেন সেটি স্ট্যান্ডার্ড ত্রুটির ফলস্বরূপ।

আর Prestigeএর carপ্যাকেজে ডেটাসেট থেকে ডেটা ব্যবহার করে আমি নীচে প্রতিটি কোডের আর কোড এবং একটি গ্রাফ অন্তর্ভুক্ত করেছি ।

## Raw data ##

mod <- lm(income ~ education + women, data = Prestige)
summary(mod)

# Create a scatterplot of education against income
plot(Prestige$education, Prestige$income, xlab = "Years of education", 
     ylab = "Occupational income", bty = "n", pch = 16, col = "grey")
# Create a dataframe representing the values on the predictors for which we 
# want predictions
pX <- expand.grid(education = seq(min(Prestige$education), max(Prestige$education), by = .1), 
                  women = mean(Prestige$women))
# Get predicted values
pY <- predict(mod, pX, se.fit = T)

lines(pX$education, pY$fit, lwd = 2) # Prediction line
lines(pX$education, pY$fit - pY$se.fit) # -1 SE
lines(pX$education, pY$fit + pY$se.fit) # +1 SE

## Adjusted (marginalized) data ##

mod <- lm(income ~ education + women, data = Prestige)
summary(mod)

# Calculate the values of income, marginalizing out the effect of percentage women
margin_income <- coef(mod)["(Intercept)"] + coef(mod)["education"] * Prestige$education + 
    coef(mod)["women"] * mean(Prestige$women) + residuals(mod)

# Create a scatterplot of education against income
plot(Prestige$education, margin_income, xlab = "Years of education", 
     ylab = "Adjusted income", bty = "n", pch = 16, col = "grey")
# Create a dataframe representing the values on the predictors for which we 
# want predictions
pX <- expand.grid(education = seq(min(Prestige$education), max(Prestige$education), by = .1), 
              women = mean(Prestige$women))
# Get predicted values
pY <- predict(mod, pX, se.fit = T)

lines(pX$education, pY$fit, lwd = 2) # Prediction line
lines(pX$education, pY$fit - pY$se.fit) # -1 SE
lines(pX$education, pY$fit + pY$se.fit) # +1 SE