기본 콘텐츠로 건너뛰기

선형 회귀 분석 (9)



 앞에서 다뤘던 무작위 표본 추출 방식을 통해서 다시 단순 선형 회귀 분석을 진행해 보겠습니다. 샘플 수를 줄여서 분석해보는 것은 종종 데이터의 특성을 이해하는 데 도움을 줄 수 있습니다. 앞서 설명한 방법을 이용해서 적당한 숫자의 표본을 추출해 보겠습니다. 




library("ggplot2")

set.seed(3311)
diamonds1<-sample 25="" diamonds="" nrow="" span="">
D1<-diamonds diamonds1="" span="">
D1
summary(D1)


 시드값을 준 이유는 같은 결과를 재현하기 위한 것입니다. 일단 정규 분포를 만족시키는 25개의 표본을 뽑아 봤습니다. 이제 정규성 검증 및 선형성이 있는지를 알기 위해 추가로 코드를 작성해 보겠습니다. 이번에도 비교할 것은 캐럿과 가격의 관계입니다. 


x=D1$carat
shapiro.test(x)

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


> x=D1$carat
> shapiro.test(x)

Shapiro-Wilk normality test

data:  x
W = 0.93155, p-value = 0.09436




 대략적으로 정규성도 만족하고 선형성도 지닌 표본으로 보입니다. 그러면 회귀 모형을 만들고 잔차를 검증해 보겠습니다. 


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)


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

Call:
lm(formula = price ~ carat, data = D1)

Residuals:
    Min      1Q  Median      3Q     Max 
-2677.3 -1647.1   -17.6  1050.5  3913.6 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)  -3026.9      732.1  -4.135 0.000402 ***
carat         8644.2      625.4  13.822 1.25e-12 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 1773 on 23 degrees of freedom
Multiple R-squared:  0.8925, Adjusted R-squared:  0.8879 
F-statistic:   191 on 1 and 23 DF,  p-value: 1.254e-12

> par(mfrow=c(2,2))
> plot(model)
> influence.measures(model)
Influence measures of
 lm(formula = price ~ carat, data = D1) :

     dfb.1_ dfb.cart    dffit cov.r   cook.d    hat inf
1  -0.00236  0.00155 -0.00259 1.166 3.50e-06 0.0624    
2  -0.04469  0.03072 -0.04791 1.169 1.20e-03 0.0679    
3  -0.02899  0.00141 -0.05731 1.130 1.71e-03 0.0400    
4   0.21556 -0.16964  0.21908 1.168 2.46e-02 0.0999    
5  -0.14636  0.04455 -0.22608 1.028 2.54e-02 0.0416    
6  -0.02253  0.00686 -0.03481 1.138 6.33e-04 0.0416    
7  -0.13162  0.44231  0.68800 0.700 1.91e-01 0.0682   *
8   0.05238 -0.02843  0.06350 1.143 2.10e-03 0.0500    
9   0.07043 -0.22762 -0.34980 1.017 5.95e-02 0.0694    
10  0.06221 -0.04597  0.06462 1.184 2.18e-03 0.0810    
11 -0.04129 -0.06016 -0.20297 1.055 2.07e-02 0.0439    
12  0.11910  0.03622  0.31333 0.932 4.64e-02 0.0405    
13  0.26414 -0.20970  0.26780 1.153 3.65e-02 0.1034    
14  0.03570  0.17985  0.43713 0.836 8.52e-02 0.0482    
15 -0.01659 -0.02753 -0.08834 1.126 4.05e-03 0.0443    
16 -0.05179  0.03006 -0.06060 1.147 1.91e-03 0.0531    
17 -0.16941  0.01375 -0.32515 0.916 4.96e-02 0.0401    
18 -0.14188  0.23914  0.27658 1.252 3.93e-02 0.1585    
19  0.08789 -0.27394 -0.41611 0.966 8.20e-02 0.0706    
20  0.19966 -0.15918  0.20220 1.184 2.10e-02 0.1052    
21 -0.07855  0.11449  0.12287 1.565 7.88e-03 0.3037   *
22 -0.13663  0.04159 -0.21105 1.041 2.22e-02 0.0416    
23  0.22048 -0.17504  0.22354 1.172 2.56e-02 0.1034    
24 -0.08753  0.14419  0.16475 1.303 1.41e-02 0.1709   *
25 -0.23761  0.13132 -0.28534 1.007 3.98e-02 0.0507    








 그럭저럭 아슬아슬하게 분포가 맞춰지는 것 같지만, 7번째 관측치가 너무 모델에서 벗어난 것으로 보입니다. 어떤 값인지 확인해 보겠습니다. 


> D1[7,]
# A tibble: 1 x 10
  carat cut   color clarity depth table price     x     y     z
     
1  1.50 Good  F     VS2      63.6  55.0 13853  7.27  7.22  4.61


 Y=8644.2X -3026.9 라는 회귀 공식에 넣어보면 9940이라는 값이 나와 실제값인 13853달러와 제법 큰 차이가 있습니다. 따라서 이 값을 이상치로 제거해보고 싶습니다. 방법은 간단합니다. model1<-lm carat="" data="D1[-7,])의" model1="" nbsp="" price="" span="">


model1<-lm carat="" data="D1[-7,])</span" price="">
summary(model1)
par(mfrow=c(2,2))
plot(model1)
influence.measures(model1)
ols_cooksd_barplot(model1)
ols_dfbetas_panel(model1)
ols_dffits_plot(model1)


> model1<-lm carat="" data="D1[-7,])</span" price="">
> summary(model1)

Call:
lm(formula = price ~ carat, data = D1[-7, ])

Residuals:
    Min      1Q  Median      3Q     Max 
-2515.3 -1481.0   -55.9  1042.7  3408.0 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)  -2940.3      658.9  -4.462 0.000195 ***
carat         8395.5      570.6  14.714 7.23e-13 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 1594 on 22 degrees of freedom
Multiple R-squared:  0.9078, Adjusted R-squared:  0.9036 
F-statistic: 216.5 on 1 and 22 DF,  p-value: 7.228e-13

> par(mfrow=c(2,2))
> plot(model1)
> influence.measures(model1)
Influence measures of
 lm(formula = price ~ carat, data = D1[-7, ]) :

     dfb.1_  dfb.cart    dffit cov.r   cook.d    hat inf
1   0.00666 -0.004252  0.00735 1.171 2.83e-05 0.0626    
2  -0.04148  0.027848 -0.04470 1.175 1.05e-03 0.0681    
3  -0.02112 -0.000445 -0.04355 1.140 9.91e-04 0.0417    
4   0.23900 -0.185663  0.24317 1.160 3.02e-02 0.0999    
5  -0.14895  0.038588 -0.23685 1.021 2.77e-02 0.0428    
6  -0.01306  0.003382 -0.02076 1.146 2.26e-04 0.0428    
7   0.06942 -0.035864  0.08532 1.141 3.79e-03 0.0506    
8   0.07277 -0.232613 -0.35054 1.030 6.00e-02 0.0745    
9   0.07363 -0.053440  0.07668 1.187 3.07e-03 0.0810    
10 -0.03750 -0.065974 -0.20312 1.064 2.08e-02 0.0466    
11  0.14130  0.058601  0.39371 0.843 6.96e-02 0.0426    
12  0.29234 -0.229241  0.29668 1.140 4.45e-02 0.1034    
13  0.03724  0.246035  0.56503 0.706 1.31e-01 0.0514   *
14 -0.01209 -0.024245 -0.07141 1.141 2.66e-03 0.0471    
15 -0.04609  0.025669 -0.05454 1.154 1.55e-03 0.0535    
16 -0.17490  0.002555 -0.34969 0.891 5.65e-02 0.0417    
17 -0.23072  0.393195  0.45310 1.202 1.03e-01 0.1687    
18  0.09255 -0.285954 -0.42627 0.972 8.61e-02 0.0758    
19  0.21952 -0.172920  0.22251 1.179 2.54e-02 0.1052    
20 -0.26482  0.390157  0.41827 1.560 9.01e-02 0.3207   *
21 -0.13820  0.035803 -0.21975 1.037 2.41e-02 0.0428    
22  0.24338 -0.190854  0.24700 1.165 3.12e-02 0.1034    
23 -0.17378  0.289486  0.32972 1.281 5.57e-02 0.1818   *
24 -0.25196  0.132844 -0.30659 0.987 4.55e-02 0.0513 








 회귀 계수는 비슷하지만 모델은 훨씬 안전성 있게 되었습니다. 이런식으로 회귀 모델을 진단하고 최적의 값을 찾을 수 있지만, 조심해야 하는 부분이 있습니다. 


 앞서 예제에서 살펴보았듯이 사실 이 데이터는 일차 선형 관계가 아닙니다. 그런데 소수의 샘플을 뽑은 결과 마치 Y=aX+b의 관계로 나타낼 수 있는 것처럼 결과가 나왔습니다. 즉 표본의 숫자가 적으면 본래 데이터를 왜곡할 수 있다는 것입니다. 두 번째는 영향력 관측치를 제거하는 방법입니다. 이는 회귀 계수를 더 좋게 만들 수 있지만, 이런식으로 데이터를 삭제하게 될 경우 사실은 없는 연관성도 만들 수 있습니다. 


 종종 이런 영향력이 큰 관측치나 이상치가 데이터를 잘못 입력해 그런 경우가 있습니다. 예를 들어 1800달러 대신에 18000를 실수로 입력했거나 반대로 0.2캐럿을 2캐럿으로 입력한 경우들입니다. 이 경우 데이터를 다시 확인하고 수정하면 되지만, 쉽게 판단이 어려운 경우도 있을 것입니다. 아무튼 데이터 확인이 결정적인 답을 제시하는 경우도 있기 때문에 반드시 본래 데이터를 확인해야 합니다. 


 실험 연구에 있어서는 종종 실험이 크게 잘못되어 이상치가 생기는 경우가 있는데, 이 경우 적절한 근거를 지니고 데이터를 이상치로 판정하고 분석에 넣지 않아야 합니다. 이 내용에 대해서는 "R을 이용한 이상치 검출과 처리' 같은 전문 서적을 보고 판단하면 좋을 것 같습니다. 



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