Regresi dengan data kategorik atau dummy

Dalam regresi kita juga bisa menggunakan data dummy atay kategori dalam regresi ini menggunakan data mtcars dengan variabel dependen adalah mpg atau mile per galon dengan data kategori VS atau bentuk V ENgine dengan angka 1 adalah mesin yang menggunakan V SHape sedangkan ) adalah yang tidak menggunakan V Shape. 

Di dalam langkah ini saya juga memerangkan dengan mengubah data kategori. yakni dari angka 1 dan 0 maka menjadi data kategori atau bentuk faktor bukan lagi bentuk numerik. 

regresi-dummy.R

HP

2024-09-05

#Regresi Data mytcars dengan variabel dummy
mtcars

##                      mpg cyl  disp  hp drat    wt  qsec vs am gear carb
## Mazda RX4           21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4
## Mazda RX4 Wag       21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4
## Datsun 710          22.8   4 108.0  93 3.85 2.320 18.61  1  1    4    1
## Hornet 4 Drive      21.4   6 258.0 110 3.08 3.215 19.44  1  0    3    1
## Hornet Sportabout   18.7   8 360.0 175 3.15 3.440 17.02  0  0    3    2
## Valiant             18.1   6 225.0 105 2.76 3.460 20.22  1  0    3    1
## Duster 360          14.3   8 360.0 245 3.21 3.570 15.84  0  0    3    4
## Merc 240D           24.4   4 146.7  62 3.69 3.190 20.00  1  0    4    2
## Merc 230            22.8   4 140.8  95 3.92 3.150 22.90  1  0    4    2
## Merc 280            19.2   6 167.6 123 3.92 3.440 18.30  1  0    4    4
## Merc 280C           17.8   6 167.6 123 3.92 3.440 18.90  1  0    4    4
## Merc 450SE          16.4   8 275.8 180 3.07 4.070 17.40  0  0    3    3
## Merc 450SL          17.3   8 275.8 180 3.07 3.730 17.60  0  0    3    3
## Merc 450SLC         15.2   8 275.8 180 3.07 3.780 18.00  0  0    3    3
## Cadillac Fleetwood  10.4   8 472.0 205 2.93 5.250 17.98  0  0    3    4
## Lincoln Continental 10.4   8 460.0 215 3.00 5.424 17.82  0  0    3    4
## Chrysler Imperial   14.7   8 440.0 230 3.23 5.345 17.42  0  0    3    4
## Fiat 128            32.4   4  78.7  66 4.08 2.200 19.47  1  1    4    1
## Honda Civic         30.4   4  75.7  52 4.93 1.615 18.52  1  1    4    2
## Toyota Corolla      33.9   4  71.1  65 4.22 1.835 19.90  1  1    4    1
## Toyota Corona       21.5   4 120.1  97 3.70 2.465 20.01  1  0    3    1
## Dodge Challenger    15.5   8 318.0 150 2.76 3.520 16.87  0  0    3    2
## AMC Javelin         15.2   8 304.0 150 3.15 3.435 17.30  0  0    3    2
## Camaro Z28          13.3   8 350.0 245 3.73 3.840 15.41  0  0    3    4
## Pontiac Firebird    19.2   8 400.0 175 3.08 3.845 17.05  0  0    3    2
## Fiat X1-9           27.3   4  79.0  66 4.08 1.935 18.90  1  1    4    1
## Porsche 914-2       26.0   4 120.3  91 4.43 2.140 16.70  0  1    5    2
## Lotus Europa        30.4   4  95.1 113 3.77 1.513 16.90  1  1    5    2
## Ford Pantera L      15.8   8 351.0 264 4.22 3.170 14.50  0  1    5    4
## Ferrari Dino        19.7   6 145.0 175 3.62 2.770 15.50  0  1    5    6
## Maserati Bora       15.0   8 301.0 335 3.54 3.570 14.60  0  1    5    8
## Volvo 142E          21.4   4 121.0 109 4.11 2.780 18.60  1  1    4    2

library(lmtest)

## Warning: package 'lmtest' was built under R version 4.3.1

## Loading required package: zoo

## Warning: package 'zoo' was built under R version 4.3.1

## 
## Attaching package: 'zoo'

## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric

library(zoo)
View(mtcars)
#Kita regresi dengan data nominal atau dummy
#mengecek apakah ini variabel kategori
is.factor(mtcars$vs)

## [1] FALSE

#mengecek jenis atau kelas dari data
class(mtcars$vs)

## [1] "numeric"

#mengecek tipe variabel
str(mtcars$vs)

##  num [1:32] 0 0 1 1 0 1 0 1 1 1 ...

#untuk mengecek semua data bisa kita lakukan seperti ini
sapply(mtcars,class)

##       mpg       cyl      disp        hp      drat        wt      qsec        vs 
## "numeric" "numeric" "numeric" "numeric" "numeric" "numeric" "numeric" "numeric" 
##        am      gear      carb 
## "numeric" "numeric" "numeric"

#atau
sapply(mtcars,is.factor)

##   mpg   cyl  disp    hp  drat    wt  qsec    vs    am  gear  carb 
## FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE

#saya merubah faktor ke dalam bentuk kategorik (dummy)
mtcars$vs <- factor(mtcars$vs, levels = c(0, 1), labels = c("0", "1"))
modeldummy1<-lm(mpg~disp+vs,data=mtcars)
summary(modeldummy1)

## 
## Call:
## lm(formula = mpg ~ disp + vs, data = mtcars)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -5.4605 -2.0260 -0.6467  1.7285  7.0790 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 27.949282   2.201166  12.697 2.27e-13 ***
## disp        -0.036896   0.006715  -5.494 6.43e-06 ***
## vs1          1.495004   1.651290   0.905    0.373    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.261 on 29 degrees of freedom
## Multiple R-squared:  0.7261, Adjusted R-squared:  0.7072 
## F-statistic: 38.44 on 2 and 29 DF,  p-value: 7.005e-09

modeldummy2<-lm(log(mpg)~disp+vs+qsec,data=mtcars)
summary(modeldummy2)

## 
## Call:
## lm(formula = log(mpg) ~ disp + vs + qsec, data = mtcars)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -0.23148 -0.11519 -0.02994  0.10974  0.35300 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  3.4091490  0.3725559   9.151 6.58e-10 ***
## disp        -0.0019674  0.0003099  -6.348 7.22e-07 ***
## vs1          0.0537447  0.1028695   0.522    0.605    
## qsec        -0.0011890  0.0226624  -0.052    0.959    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.1474 on 28 degrees of freedom
## Multiple R-squared:  0.7787, Adjusted R-squared:  0.755 
## F-statistic: 32.84 on 3 and 28 DF,  p-value: 2.611e-09

library(car)

## Warning: package 'car' was built under R version 4.3.1

## Loading required package: carData

## Warning: package 'carData' was built under R version 4.3.1

vif(modeldummy1)

##     disp       vs 
## 2.018941 2.018941

vif(modeldummy2)

##     disp       vs     qsec 
## 2.105442 3.835647 2.339964

dwtest(modeldummy2)

## 
##  Durbin-Watson test
## 
## data:  modeldummy2
## DW = 1.5216, p-value = 0.05887
## alternative hypothesis: true autocorrelation is greater than 0

bptest(modeldummy2)

## 
##  studentized Breusch-Pagan test
## 
## data:  modeldummy2
## BP = 2.2231, df = 3, p-value = 0.5274

dwtest(modeldummy1)

## 
##  Durbin-Watson test
## 
## data:  modeldummy1
## DW = 1.3192, p-value = 0.01701
## alternative hypothesis: true autocorrelation is greater than 0

modeldummy3<-lm(log(mpg)~wt+vs+disp,data=mtcars)
summary(modeldummy3)

## 
## Call:
## lm(formula = log(mpg) ~ wt + vs + disp, data = mtcars)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -0.14610 -0.09242 -0.03506  0.06273  0.27415 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  3.6181792  0.1042305  34.713   <2e-16 ***
## wt          -0.1792410  0.0501582  -3.574   0.0013 ** 
## vs1          0.1033651  0.0636280   1.625   0.1155    
## disp        -0.0005601  0.0004681  -1.197   0.2415    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.1222 on 28 degrees of freedom
## Multiple R-squared:  0.848,  Adjusted R-squared:  0.8317 
## F-statistic: 52.07 on 3 and 28 DF,  p-value: 1.412e-11

library(ggplot2)

## Warning: package 'ggplot2' was built under R version 4.3.1

vif(modeldummy3)

##       wt       vs     disp 
## 5.003628 2.136495 6.991296

dwtest(modeldummy3)

## 
##  Durbin-Watson test
## 
## data:  modeldummy3
## DW = 1.8534, p-value = 0.2565
## alternative hypothesis: true autocorrelation is greater than 0

bptest(modeldummy3)

## 
##  studentized Breusch-Pagan test
## 
## data:  modeldummy3
## BP = 3.376, df = 3, p-value = 0.3372