기본 콘텐츠로 건너뛰기

선형 회귀 분석 (10)


 다른 분석 기법과 마찬가지로 단순 선형 회귀 분석 역시 표본의 수에 많은 영향을 받습니다. 특히 표본 수가 많아지면 잔차 분석의 양상이 달라진다는 것이 특징입니다. 이를 알기 위해 앞서 예제에서 샘플 수를 250개, 2500개 등으로 늘려보면 이해가 쉬울 것입니다. 일단 샘플 수가 늘어나면 본래 선형 비례 관계가 아닌 본래의 표본의 모습이 나타나며 잔차도 등에 표시되는 값의 숫자도 크게 증가합니다. 


library("ggplot2")

set.seed(3311)
diamonds1<-sample 2500="" diamonds="" nrow="" span="">
D1<-diamonds diamonds1="" span="">
D1
summary(D1)


par(mfrow=c(1,1))
plot(D1$carat, D1$price)

model=lm(price~carat, data=D1)
summary(model)

par(mfrow=c(2,2))
plot(model)

influence.measures(model)

require("olsrr")
ols_cooksd_barplot(model)
ols_dfbetas_panel(model)
ols_dffits_plot(model)


 위의 코드를 실행하면








 위의 값을 얻을 수 있는데, 표본에 숫자가 늘어남에 따라 특정 값으로 몰린 표본의 특징 (대개 1캐럿 이하이고 가격도 상대적으로 저렴한 편)이 나타나면서 잔차의 가정들을 위반하고 있다는 것을 알 수 있습니다. 이정도라면 일부 값을 이상치로 제거하고 회귀식을 완성하려고 하기 보다는 일단 일차 선형 관계가 아니라는 점을 인정하는 수 밖에 없습니다. 또 olsrr 패키지에서 제공하는 여러 영향력 및 잔차 분석 도구는 샘플 수가 많아지면 효용성이 떨어진다는 점도 알 수 있습니다. 이를 확인하기 위해 정규 분포를 따르는 예제를 만들어 보겠습니다. 


set.seed(1234)
x<-rnorm span="">
set.seed(4567)
b<-rnorm span="">
y=3*x+b

model=lm(y~x)
summary(model)

plot(model)
ols_cooksd_barplot(model)
ols_dfbetas_panel(model)
ols_dffits_plot(model)








 이 모델은 y=3*x+b라는 값을 넣고 만들었기 때문에 무조건 선형 반응 관계와 정규 분포를 만족할 수 밖에 없습니다. 그래도 의외로 결과값에 영향을 주는 관측치가 제법 있다는 사실을 알 수 있습니다. 하지만 마지막 잔차도는 모두 가정을 위반하지 않는 정상적인 결과들입니다. 정규 분포를 따르더라도 평균보다 영향력을 많이 미치는 관측치는 있을 수 있으며 샘플 수가 많아지면 일정 비율로 늘어나게 될 것입니다. 


 이 경우 전체 잔차도에서 크게 벗어나는 것이 아니라면 굳이 제거할 필요는 없어집니다. 약간 모델에서 벗어나도 샘플 수 자체가 많으면 큰 영향을 미칠 수 없을 테니까요. 다만 이것이 실제로 있을 수 있는 값인지 (예를 들어 몸무게가 950kg 으로 표시되었거나 키가 183m로 잘못 입력된 것이 아닌지) 확인할 필요는 있습니다. 사실 문제 해결의 실마리는 데이터에 자체에 숨어 있는 경우가 많습니다. 


 아무튼 표본의 수가 수만개 이상으로 많아지면 각각의 값을 눈으로 확인한다는 것은 거의 불가능합니다. 잔차의 분포가 정규성을 만족하는지 좀 더 편리하게 확인하기 위해서 아래의 코드를 사용할 수 있습니다. 


residplot <- fit="" function="" nbreaks="100)" span="">
  z <- fit="" rstudent="" span="">
  hist(z, breaks=nbreaks, freq=FALSE,
       xlab="Studentized Residual",
       main="Distribution of Errors")
  rug(jitter(z), col="brown")
  curve(dnorm(x, mean=mean(z), sd=sd(z)),
        add=TRUE, col="blue", lwd=2)
  lines(density(z)$x, density(z)$y,
        col="red", lwd=2, lty=2)
  legend("topright",
         legend = c( "Normal Curve", "Kernel Density Curve"),
         lty=1:2, col=c("blue","red"), cex=.7)
}

residplot <- fit="" function="" nbreaks="100)" span="">
  z <- fit="" rstandard="" span="">
  hist(z, breaks=nbreaks, freq=FALSE,
       xlab="Standardized Residual",
       main="Distribution of Errors")
  rug(jitter(z), col="brown")
  curve(dnorm(x, mean=mean(z), sd=sd(z)),
        add=TRUE, col="blue", lwd=2)
  lines(density(z)$x, density(z)$y,
        col="red", lwd=2, lty=2)
  legend("topright",
         legend = c( "Normal Curve", "Kernel Density Curve"),
         lty=1:2, col=c("blue","red"), cex=.7)
}

 residplot 코드인데 두 개의 코드가 약간 차이가 있습니다. 위의 것은 스튜던트화 잔차인 반면 아래는 표준화 잔차라는 것입니다. 표본 수가 충분히 많다면 표준화 잔차를 사용하는 것이 좋을 것입니다. 이를 이용해서 예제를 분석해 보겠습니다. 


residplot <- fit="" function="" nbreaks="100)" span="">
  z <- fit="" rstandard="" span="">
  hist(z, breaks=nbreaks, freq=FALSE,
       xlab="Standardized Residual",
       main="Distribution of Errors")
  rug(jitter(z), col="brown")
  curve(dnorm(x, mean=mean(z), sd=sd(z)),
        add=TRUE, col="blue", lwd=2)
  lines(density(z)$x, density(z)$y,
        col="red", lwd=2, lty=2)
  legend("topright",
         legend = c( "Normal Curve", "Kernel Density Curve"),
         lty=1:2, col=c("blue","red"), cex=.7)
}

par(mfrow=c(1,1))
residplot(model)



 재미있는 것은 정규 분포를 따르는 예제인데도 완전한 정규 분포와 약간 차이가 있다는 점입니다. 이는 표준 편차에 따르는 변화 이외에도 가상의 오차항인 b를 넣었기 때문입니다. 아무튼 잔차의 분포는 정규 분포에 근사한다고 말할 수 있을 것입니다. 다이아몬드 예제와 비교하면 차이는 분명합니다. 


set.seed(3311)
diamonds1<-sample 2500="" diamonds="" nrow="" span="">
D1<-diamonds diamonds1="" span="">
model=lm(price~carat, data=D1)

residplot(model)



 다이아몬드 예제의 잔차의 분포는 정규 분포와 상당히 어긋난다는 점을 다시 확인할 수 있습니다. residplot 코드는 샘플의 숫자가 아무리 증가해도 한 눈에 쉽게 들어온다는 점에서 유용합니다. 

댓글

이 블로그의 인기 게시물

통계 공부는 어떻게 하는 것이 좋을까?

 사실 저도 통계 전문가가 아니기 때문에 이런 주제로 글을 쓰기가 다소 애매하지만, 그래도 누군가에게 도움이 될 수 있다고 생각해서 글을 올려봅니다. 통계학, 특히 수학적인 의미에서의 통계학을 공부하게 되는 계기는 사람마다 다르긴 하겠지만, 아마도 비교적 흔하고 난감한 경우는 논문을 써야 하는 경우일 것입니다. 오늘날의 학문적 연구는 집단간 혹은 방법간의 차이가 있다는 것을 객관적으로 보여줘야 하는데, 그려면 불가피하게 통계적인 방법을 쓸 수 밖에 없게 됩니다. 이런 이유로 분야와 주제에 따라서는 아닌 경우도 있겠지만, 상당수 논문에서는 통계학이 들어가게 됩니다.   문제는 데이터를 처리하고 분석하는 방법을 익히는 데도 상당한 시간과 노력이 필요하다는 점입니다. 물론 대부분의 학과에서 통계 수업이 들어가기는 하지만, 그것만으로는 충분하지 않은 경우가 많습니다. 대학 학부 과정에서는 대부분 논문 제출이 필요없거나 필요하다고 해도 그렇게 높은 수준을 요구하지 않지만, 대학원 이상 과정에서는 SCI/SCIE 급 논문이 필요하게 되어 처음 논문을 작성하는 입장에서는 상당히 부담되는 상황에 놓이게 됩니다.  그리고 이후 논문을 계속해서 쓰게 될 경우 통계 문제는 항상 나를 따라다니면서 괴롭히게 될 것입니다.  사정이 이렇다보니 간혹 통계 공부를 어떻게 하는 것이 좋겠냐는 질문이 들어옵니다. 사실 저는 통계 전문가라고 하기에는 실력은 모자라지만, 대신 앞서서 삽질을 한 경험이 있기 때문에 몇 가지 조언을 해줄 수 있을 것 같습니다.  1. 입문자를 위한 책을 추천해달라  사실 예습을 위해서 미리 공부하는 것은 추천하지 않습니다. 기본적인 통계는 학과별로 다르지 않더라도 주로 쓰는 분석방법은 분야별로 상당한 차이가 있을 수 있어 결국은 자신이 주로 하는 부분을 잘 해야 하기 때문입니다. 그러기 위해서는 학과 커리큘럼에 들어있는 통계 수업을 듣는 것이 더 유리합니다. 잘 쓰지도 않을 방법을 열심히 공부하는 것은 아무래도 효율

R 스튜디오 설치 및 업데이트

 R을 설치한 후 기본으로 제공되는 R 콘솔창에서 코드를 입력해 작업을 수행할 수도 있지만, 보통은 그렇게 하기 보다는 가장 널리 사용되는 R 개발환경인 R 스튜디오가 널리 사용됩니다. 오픈 소스 무료 버전의 R 스튜디오는 누구나 설치가 가능하며 편리한 작업 환경을 제공하기 때문에 R을 위한 IDE에서 가장 널리 사용되어 있습니다. 아래 링크에서 다운로드 받습니다.    https://www.rstudio.com/  다운로드 R 이나 혹은 Powerful IDE for R로 들어가 일반 사용자 버전을 받습니다. 오픈 소스 버전과 상업용 버전, 그리고 데스크탑 버전과 서버 버전이 있는데, 일반적으로는 오픈 소스 버전에 데스크탑 버전을 다운로드 받습니다. 상업 버전의 경우 데스크탑 버전의 경우 년간 995달러, 서버 버전은 9995달러를 받고 여러 가지 기술 지원 및 자문을 해주는 기능이 있습니다.   데스크탑 버전을 설치하는 과정은 매우 쉽기 때문에 별도의 설명이 필요하지 않을 것 같습니다. 인스톨은 윈도우, 맥, 리눅스 (우분투/페도라)에 따라 설치 파일이 나뉘지만 설치가 어렵지는 않을 것입니다. 한 가지 주의할 점이라면 R은 사전에 반드시 따로 설치해야 한다는 점입니다. R 스튜디오만 단독 설치하면 아무것도 할 수 없습니다. 뭐 당연한 이야기죠.   설치된 R 스튜디오는 자동으로 업데이틀 체크하지 않습니다. 따라서 업데이트를 위해서는 R 스튜디오에서 Help 로 들어가 업데이트를 확인해야 합니다.     만약 업데이트 할 내용이 없다면 최신 버전이라고 알려줄 것이고 업데이트가 있다면 업데이트를 진행할 수 있도록 도와주게 됩니다. R의 업데이트와 R 스튜디오의 업데이트는 모두 개별적이며 앞서 설명했듯이 R 업데이트는 사실 기존 버전과 병행해서 새로운 버전을 새롭게 설치하는 것입니다. R 스튜디오는 실제로 업데이트가 이뤄지기 때문에 구버전을 지워줄 필요는

R 패키지 설치 및 업데이트 오류 (1)

 R 패키지를 설치하거나 업데이트 하다보면 여러 가지 문제가 생기는 경우들이 있습니다. 이 경우 아예 R을 재설치하는 것도 방법이지만, 어떤 경우에는 이렇게해도 해결이 안되고 계속해서 사용자는 괴롭히는 경우도 있습니다. 이런 경우 중 하나를 소개합니다.  새로운 패키지를 설치, 혹은 업데이트 하는 과정에서 같이 설치하는 패키지 중 하나가 설치가 되지 않는다는 메세지가 계속 나왔는데, 사실은 백신 프로그램 때문이었던 경우입니다.   dplyr 패키지를 업데이트 하려고 했는데, 제대로 되지 않아 다시 설치를 진행했습니다. 그런데 일부 패키지가 제대로 설치되지 않는다는 메세지가 나왔습니다.  > install.packages("dplyr") Error in install.packages : Updating loaded packages > install.packages("dplyr") Installing package into ‘C:/Users/jjy05_000/Documents/R/win-library/3.4’ (as ‘lib’ is unspecified) also installing the dependencies ‘bindr’, ‘bindrcpp’, ‘Rcpp’, ‘rlang’, ‘plogr’ trying URL ' https://cran.rstudio.com/bin/windows/contrib/3.4/bindr_0.1.1.zip ' Content type 'application/zip' length 15285 bytes (14 KB) downloaded 14 KB trying URL ' https://cran.rstudio.com/bin/windows/contrib/3.4/bindrcpp_0.2.2.zip ' Content type 'application/zip' length 620344 b