![\"\"](\"http:\/\/science.ekqvist.fi\/blogi\/wp-content\/uploads\/2012\/06\/deamk.jpg\" "\\"deamk\\"")
<\/a><\/p>\n#If you want graph into local folder change appropriate folder name below
\n# example – output graph to jpeg file
\njpeg(“i:\/todo\/asuntodata_dea\/deamk.jpg”)
\ndea.plot.frontier(x1,y1,txt=TRUE, main=”DEA Tehokkuusrintama HeKa aineistosta 2011″)
\ndev.off()<\/p>\n
#note before that install “benchmarking” library
\ne_dea2011out <- dea(x1,y1, RTS=”vrs”, ORIENTATION=”out”)
\ne_dea2011in <- dea(x1,y1, RTS=”vrs”, ORIENTATION=”in”)\u00a0\u00a0 #T\u00c4T\u00c4 K\u00c4YTETTY ANALYYSISITEKSTISS\u00c4<\/p>\n
#saving results into file
\n#tehokkuusluvut tiedostoon
\nwrite.table(eff(e_dea2011out), file = “i:\/todo\/asuntodata_dea\/e_dea2011out.txt”, sep = “\\t”, col.names = NA, qmethod = “double”)
\nwrite.table(eff(e_dea2011in), file = “i:\/todo\/asuntodata_dea\/e_dea2011in.txt”, sep = “\\t”, col.names = NA, qmethod = “double”)<\/p>\n
#..more informative by using summary
\nsink(“i:\/todo\/asuntodata_dea\/summary_deamk.txt”)
\nsummary(e_dea2011in)
\nsink()<\/p>\n
#plotting effectiveness data with density graph
\njpeg(“i:\/todo\/asuntodata_dea\/dea1_density_mkkiinteistot.jpg”)
\neff.dens.plot(e_dea2011in , main=”DEA tiheysjakauma HeKa 2011″)
\ndev.off()
\n#and same pic here<\/p>\n
#we are also interested which variable explain most\u00a0 best effectiveness..<\/p>\n #Meit\u00e4 kiinnostaa my\u00f6s mitk\u00e4 valituista muuttujista selitt\u00e4v\u00e4t parhaiten #here we read above effectiveness data table (note 1= best unit) #Examine variables more details – TUTKITAAN MUUTTUJIA TARKEMMIN #TUTKITAAN MUUTTUJIA TARKEMMIN #DENSITY #SORTED VERSIO #pairs #selitet\u00e4\u00e4n tehokkuuskerrointa panos ja tuotosmuuttujilla <\/p>\n #vain tuotosmuuttujat <\/p>\n <\/p>\n #kertoimet #j\u00e4\u00e4nn\u00f6stermit eli kuinka paljon annetuilla arvoilla ennuste poikkeaa toteumasta fitted(lm.r) # gives the predicted values for Y<\/p>\n #RESIDUAALIEN TUTKIMINEN<\/p>\n layout(matrix(1:4,2,2)) #KAIKKI #VAIN TUOTOSMUUTTUJAT #VUOKRA #VESI #S\u00c4HK\u00d6 #L\u00c4MP\u00d6 #below in Finnish only<\/p>\n ennen kuin regressiomallin tulokset voisi hyv\u00e4ksy\u00e4, tulisi arvioida sen sopivuus Lis\u00e4ksi, poistamalla “tapaus” one case ei tulisi merkitt\u00e4v\u00e4sti vaikuttaa upper left corner \/vasen yl\u00e4kulma lower left corner \/ vasen alakulma upper right corner \/oikea yl\u00e4kulma lower right corner \/ oikea alakulma #Using the Results of a Regression to Make Predictions<\/p>\n vuokra_e_nelio_kk_new=c(3,4,4.5,4.6,4.5,5.5,6.9,5.8,3.6,4.7,5.3,6.2,5.1,3.9,4.3);vuokra_e_nelio_kk_new # data plotting as scatter plot\/ pistekuvaaja n\u00e4it\u00e4 voidaan tehd\u00e4 niin monta kuin on muuttujia<\/p>\n #SCATTER PLOT<\/p>\n jpeg(“j:\/todo\/asuntodata_dea\/scatterplot_withoutfitline_rent.jpg”) <\/p>\n #FITLINE \/ KUVAAJA FIT JA TOTEUTUNEET lm2.r = lm(x ~ vesi_vrk_as_litraa) lm3.r = lm(x ~ sahko_MWh) lm4.r = lm(x ~ lampo_MWh ) lm5.r = lm(x ~ asuntoja) # example – output graph to jpeg file # example – output graph to jpeg file # example – output graph to jpeg file # example – output graph to jpeg file # example – output graph to jpeg file #IN THE SAME PICTURE \/ SAMAAN KUVAAN #MUUTTUJAT SUHTEESSA TEHOKKUUSKERTOIMEEN Figure : Original x shown with \u201c1\u201d, with small error as \u201c2\u201d and with large error as \u201c3\u201d. The regression lines for the no measurement error, small error and large error are #DENSITY \/ JAKAUMAT #EXAMINING CORRELATION \/ KATSOTAAN VIEL\u00c4 KORRELAATIOT # First Correlogram Example # Second Correlogram Example # Third Correlogram Example library(psych) #PIIRRET\u00c4\u00c4N KUVAA jpeg(“i:\/todo\/asuntodata_dea\/histograms_for_all_variables_.jpg”) jpeg(“i:\/todo\/asuntodata_dea\/scatter_histograms_correlations_for_all_variables_.jpg”) That’s it…..<\/p>\n","protected":false},"excerpt":{"rendered":" This example is test only. Data itself is “real” data and I think you could do that example also with own data if available. In this example I used library benchmarking. First set the library and\u00a0 download data from source ################################# library(Benchmarking) ################################# #DEA 1 #output haitakkeet huoneiston suhteen vesi, l\u00e4mp\u00f6 ja s\u00e4hk\u00f6 #input vuokransuuruus, […] Read More<\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"gallery","meta":[],"categories":[23],"tags":[26,31,48],"_links":{"self":[{"href":"https:\/\/science.ekqvist.fi\/blogi\/wp-json\/wp\/v2\/posts\/267"}],"collection":[{"href":"https:\/\/science.ekqvist.fi\/blogi\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/science.ekqvist.fi\/blogi\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/science.ekqvist.fi\/blogi\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/science.ekqvist.fi\/blogi\/wp-json\/wp\/v2\/comments?post=267"}],"version-history":[{"count":0,"href":"https:\/\/science.ekqvist.fi\/blogi\/wp-json\/wp\/v2\/posts\/267\/revisions"}],"wp:attachment":[{"href":"https:\/\/science.ekqvist.fi\/blogi\/wp-json\/wp\/v2\/media?parent=267"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/science.ekqvist.fi\/blogi\/wp-json\/wp\/v2\/categories?post=267"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/science.ekqvist.fi\/blogi\/wp-json\/wp\/v2\/tags?post=267"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}<\/a>
\n#070512<\/p>\n
\n# tehokkuutta
\n# vesi, l\u00e4mp\u00f6 ja s\u00e4hk\u00f6, vuokransuuruus
\n#testataan t\u00e4t\u00e4 lineaarisella regressiolla
\n# yhdistet\u00e4\u00e4n eff tiedostoon alkuper\u00e4iset muuttujat
\n#luetaan eff tiedosto sellainsenaan edell\u00e4 ajetusta<\/p>\n
\neffvalmis <- read.table(“http:\/\/ekqvist.goeuropeinfo.com\/rbloggerqvist\/data\/eff_dea2011valmis.txt”, header=TRUE, sep=”\\t”, na.strings=”NA”, dec=”.”, strip.white=TRUE)
\n#in this operation we could use merge and unique link variable “id”
\nyhdista1 <- merge(deamk, effvalmis, by.x = “id”, by.y = “id”, all = TRUE)
\nattach(yhdista1)
\nnames(yhdista1)
\nsummary(yhdista1)<\/p>\n
\nhist(yhdista1$x)
\nhist(yhdista1$vuokra_e_nelio_kk)
\nhist(yhdista1$vesi_vrk_as_litraa)
\nhist(yhdista1$sahko_MWh)
\nhist(yhdista1$lampo_MWh)<\/p>\n
\njpeg(“j:\/todo\/asuntodata_dea\/hist_matriisikuva.jpg”)
\nlayout(matrix(1:6,2,3))
\nhist(yhdista1$x)
\nhist(yhdista1$vuokra_e_nelio_kk)
\nhist(yhdista1$vesi_vrk_as_litraa)
\nhist(yhdista1$sahko_MWh)
\nhist(yhdista1$lampo_MWh)
\ndev.off()
\n<\/a><\/p>\n
\njpeg(“j:\/todo\/asuntodata_dea\/density_matriisikuva.jpg”)
\nlayout(matrix(1:6,2,3))
\nplot(density(yhdista1$x,na.rm=TRUE))
\nplot(density(yhdista1$vuokra_e_nelio_kk,na.rm=TRUE))
\nplot(density(yhdista1$vesi_vrk_as_litraa,na.rm=TRUE))
\nplot(density(yhdista1$sahko_MWh,na.rm=TRUE))
\nplot(density(yhdista1$lampo_MWh,na.rm=TRUE))
\ndev.off()
\n<\/a><\/p>\n
\njpeg(“j:\/todo\/asuntodata_dea\/sorted_matriisikuva.jpg”)
\nlayout(matrix(1:6,2,3))
\nplot(sort(yhdista1$x),pch=”1″)
\nplot(sort(yhdista1$vuokra_e_nelio_kk),pch=”2″)
\nplot(sort(yhdista1$vesi_vrk_as_litraa),pch=”3″)
\nplot(sort(yhdista1$sahko_MWh),pch=”4″)
\nplot(sort(yhdista1$lampo_MWh),pch=”5″)
\ndev.off()<\/p>\n<\/a>
\n#valitaan vain tietyt muuttujat pairs kuvaajaan
\nyhdista2 <- with(yhdista1, cbind(x, vuokra_e_nelio_kk, vesi_vrk_as_litraa, sahko_MWh, lampo_MWh)) #INPUT PANOKSET<\/p>\n
\njpeg(“j:\/todo\/asuntodata_dea\/pairs_matriisikuva.jpg”)
\npairs(yhdista2)
\ndev.off()
\n<\/a><\/p>\n
\nsink(“i:\/todo\/asuntodata_dea\/summary_deamk_fit_kaikki_muuttujat.txt”)
\nlm.r = lm(x ~ vuokra_e_nelio_kk + vesi_vrk_as_litraa + sahko_MWh + lampo_MWh)
\nsummary(lm.r)
\nsink()<\/p>\n
\nsink(“i:\/todo\/asuntodata_dea\/summary_deamk_fit_vain_tuotos_muuttujat.txt”)
\nlm0.r = lm(x ~ vesi_vrk_as_litraa + sahko_MWh + lampo_MWh)
\nsummary(lm0.r)
\nsink()<\/p>\n
\ncoef(lm.r) # gives the model\u2019s coefficients<\/p>\n
\nresid(lm.r) # gives the residual errors in Y<\/p>\n
\nplot(lm.r)<\/p>\n
\njpeg(“i:\/todo\/asuntodata_dea\/dea_residuaalitutkinta_mkkiinteistot_kaikki.jpg”)
\nlayout(matrix(1:4,2,2))
\nplot(lm.r)
\ndev.off()<\/p>\n<\/a><\/p>\n
\njpeg(“i:\/todo\/asuntodata_dea\/dea_residuaalitutkinta_mkkiinteistot_tuotosmuuttujat.jpg”)
\nlayout(matrix(1:4,2,2))
\nplot(lm0.r)
\ndev.off()<\/p>\n<\/a><\/p>\n
\njpeg(“i:\/todo\/asuntodata_dea\/dea_residuaalitutkinta_mkkiinteistot_vuokra.jpg”)
\nlayout(matrix(1:4,2,2))
\nplot(lm1.r)
\ndev.off()<\/p>\n<\/a><\/p>\n
\njpeg(“i:\/todo\/asuntodata_dea\/dea_residuaalitutkinta_mkkiinteistot_vesi.jpg”)
\nlayout(matrix(1:4,2,2))
\nplot(lm2.r)
\ndev.off()<\/p>\n<\/a><\/p>\n
\njpeg(“i:\/todo\/asuntodata_dea\/dea_residuaalitutkinta_mkkiinteistot_sahko.jpg”)
\nlayout(matrix(1:4,2,2))
\nplot(lm3.r)
\ndev.off()<\/p>\n<\/a><\/p>\n
\njpeg(“i:\/todo\/asuntodata_dea\/dea_residuaalitutkinta_mkkiinteistot_lampo.jpg”)
\nlayout(matrix(1:4,2,2))
\nplot(lm4.r)
\ndev.off()<\/p>\n<\/a><\/p>\n
\nselitt\u00e4\u00e4 dataa. yksi tapa toteuttaa t\u00e4m\u00e4 on tutkia residuaaleja visuaalisesti.
\nmik\u00e4li malli on soveltuva, t\u00e4ll\u00f6in residuaalivirheet tulisi olla satunnaisia ja
\nnormaalisti jakautuneita.<\/p>\n
\nmallin sopivuuteen. R mahdollistaa nelj\u00e4n graafisen esityksen t\u00e4m\u00e4n arvoimiseksi
\nk\u00e4ytt\u00e4m\u00e4ll\u00e4 plot komentoa.<\/p>\n
\nresiduaalit vs mallilla sovitetut arvot. residuaalien tulisi olla satunnaisesti jakautuneita keskiviivan ymp\u00e4rill\u00e4. keskiviiva kuvaa virhearvoa nolla. pisteiden suhteen ei siis tulisi olla merkitt\u00e4v\u00e4\u00e4 hajontaa t\u00e4m\u00e4n viivan ymp\u00e4rill\u00e4.<\/p>\n
\nstandardi Q-Q kuvaaja, t\u00e4m\u00e4n kuvaajan tulisi vihjata ovatko residuaalivirheet
\nnormaalisti jakautuneita.<\/p>\n
\nscale-location standardisoitujen residuaalien neli\u00f6juuri (virhetermien tai virhee neli\u00f6juuri) sovituksen tai mallin arvojen funktiona. t\u00e4ss\u00e4kin tapauksessa t\u00e4ss\u00e4 ei tulisi olla tai n\u00e4ht\u00e4viss\u00e4 selke\u00e4\u00e4 trendi\u00e4. mik\u00e4li on, niin malli tulisi tarkistaa tai mahdollisesti poistaa outlier havaintoja.<\/p>\n
\nn\u00e4ytt\u00e4\u00e4 jokaisen havainnon mitan eli\u00a0 “vipuvaikutuksen” tai “voiman” kun m\u00e4\u00e4ritet\u00e4\u00e4n regression tuottamia tuloksia. Cooks et\u00e4isyys kuvataan kahdella viivalla, joka on er\u00e4s mittari kuvaamaan havaintojen merkitsevyytt\u00e4 regressiomallissa. pieni et\u00e4isyys tarkoittaa sit\u00e4, ett\u00e4 havainnon \/ havaintojen poistamisella on vain pieni vaikutus regression tuloksiin. Et\u00e4isyydet, jotka ylitt\u00e4v\u00e4t arvon yksi ovat kyseenalaisia ja viittaavat aineistossa mahdollisesti oleviin outliereihin tai muuten v\u00e4\u00e4r\u00e4nlaiseen malliin (malliasetelmaan).<\/p>\n
\npredict(lm.r,data.frame(vuokra_e_nelio_kk = vuokra_e_nelio_kk_new), level = 0.9, interval = “confidence”)
\nwhere \u2018lwr\u2019 is the lower limit of the confidence interval and \u2018upr\u2019 is the upper limit of the confidence interval. R does not contain a feature for finding the confidence intervals for predicted values of the independent variable for specified values of dependent variables.<\/p>\n
\nplot(x, vuokra_e_nelio_kk) dev.off()
\nplot(x, vesi_vrk_as_litraa)
\nplot(x, sahko_MWh)
\nplot(x, lampo_MWh)
\nplot(x, asuntoja)<\/p>\n<\/a><\/p>\n
\nlm1.r = lm(x ~ vuokra_e_nelio_kk)
\nplot(x ~ vuokra_e_nelio_kk, yhdista1)
\nabline(lm1.r$coef,lty=5)<\/p>\n
\nplot(x ~ vesi_vrk_as_litraa, yhdista1)
\nabline(lm2.r$coef,lty=5)<\/p>\n
\nplot(x ~ sahko_MWh, yhdista1)
\nabline(lm3.r$coef,lty=5)<\/p>\n
\nplot(x ~ lampo_MWh, yhdista1)
\nabline(lm4.r$coef,lty=5)<\/p>\n
\nplot(x ~ asuntoja, yhdista1)
\nabline(lm5.r$coef,lty=5)<\/p>\n
\njpeg(“i:\/todo\/asuntodata_dea\/fitline_vuokra.jpg”)
\nlm1.r = lm(x ~ vuokra_e_nelio_kk)
\nplot(x ~ vuokra_e_nelio_kk, yhdista1)
\nabline(lm1.r$coef,lty=5)
\ndev.off()<\/p>\n
\njpeg(“i:\/todo\/asuntodata_dea\/fitline_vesi.jpg”)
\nlm2.r = lm(x ~ vesi_vrk_as_litraa)
\nplot(x ~ vesi_vrk_as_litraa, yhdista1)
\nabline(lm2.r$coef,lty=5)
\ndev.off()<\/p>\n
\njpeg(“i:\/todo\/asuntodata_dea\/fitline_sahko.jpg”)
\nlm3.r = lm(x ~ sahko_MWh)
\nplot(x ~ sahko_MWh, yhdista1)
\nabline(lm3.r$coef,lty=5)
\ndev.off()<\/p>\n
\njpeg(“i:\/todo\/asuntodata_dea\/fitline_lampo.jpg”)
\nlm4.r = lm(x ~ lampo_MWh )
\nplot(x ~ lampo_MWh, yhdista1)
\nabline(lm4.r$coef,lty=5)
\ndev.off()<\/p>\n
\njpeg(“i:\/todo\/asuntodata_dea\/fitline_asuntoja.jpg”)
\nlm5.r = lm(x ~ asuntoja)
\nplot(x ~ asuntoja, yhdista1)
\nabline(lm5.r$coef,lty=6)
\ndev.off()<\/p>\n
\njpeg(“i:\/todo\/asuntodata_dea\/fitline_matriisikuva.jpg”)
\nlayout(matrix(1:6,2,3))
\nlm1.r = lm(x ~ vuokra_e_nelio_kk)
\nplot(x ~ vuokra_e_nelio_kk, yhdista1)
\nabline(lm1.r$coef,lty=5)
\nlm2.r = lm(x ~ vesi_vrk_as_litraa)
\nplot(x ~ vesi_vrk_as_litraa, yhdista1)
\nabline(lm2.r$coef,lty=5)
\nlm3.r = lm(x ~ sahko_MWh)
\nplot(x ~ sahko_MWh, yhdista1)
\nabline(lm3.r$coef,lty=5)
\nlm4.r = lm(x ~ lampo_MWh )
\nplot(x ~ lampo_MWh, yhdista1)
\nabline(lm4.r$coef,lty=5)
\nlm5.r = lm(x ~ asuntoja)
\nplot(x ~ asuntoja, yhdista1)
\nabline(lm5.r$coef,lty=5)
\ndev.off()<\/p>\n<\/a><\/p>\n
\n#LIS\u00c4KSI PIIRRET\u00c4\u00c4N KUNKIN MUUTTUJAN FIT-VIIVA
\njpeg(“j:\/todo\/asuntodata_dea\/fitline_kaikki_tuotosmuuttujat_samassakuvassa2.jpg”)
\nmatplot(cbind(lampo_MWh,sahko_MWh,vesi_vrk_as_litraa),x,xlab=”x”,ylab=”y”)
\n#matplot(cbind(x,(lampo_MWh,sahko_MWh,vesi_vrk_as_litraa),xlab=”x”,ylab=”y”)
\nabline(lm4.r,lty=1)#L\u00c4MP\u00d6
\nabline(lm3.r,lty=2)#S\u00c4HK\u00d6
\nabline(lm2.r,lty=3)#VESI
\ndev.off()
\n<\/a><\/p>\n
\nshown as solid, dotted and dashed lines respectively.<\/p>\n
\njpeg(“i:\/todo\/asuntodata_dea\/density_matriisikuva.jpg”)
\nlayout(matrix(1:4,2,2))
\nplot(density(lampo_MWh,na.rm=TRUE))
\nplot(density(sahko_MWh,na.rm=TRUE))
\nplot(density(vesi_vrk_as_litraa,na.rm=TRUE))
\ndev.off()<\/p>\n
\ndata <- with(yhdista1, cbind(x, asuntoja, vuokra_e_nelio_kk, vesi_vrk_as_litraa, sahko_MWh, lampo_MWh))<\/p>\n
\njpeg(“i:\/todo\/asuntodata_dea\/correlogram1_.jpg”)
\nlibrary(corrgram)
\ncorrgram(data, order=TRUE, lower.panel=panel.shade,
\nupper.panel=panel.pie, text.panel=panel.txt,
\nmain=”DEA tehokkuuskertoimen (x) ja mallin muuttujien v\u00e4linen korrelaatio”)
\ndev.off()<\/p>\n<\/a><\/p>\n
\n# library(corrgram)
\njpeg(“i:\/todo\/asuntodata_dea\/correlogram2_.jpg”)
\ncorrgram(data, order=TRUE, lower.panel=panel.ellipse,
\nupper.panel=panel.pts, text.panel=panel.txt,
\ndiag.panel=panel.minmax,
\nmain=”DEA tehokkuuskertoimen (x) ja mallin muuttujien v\u00e4linen korrelaatio”)
\ndev.off()<\/p>\n<\/a><\/p>\n
\njpeg(“i:\/todo\/asuntodata_dea\/correlogram3_.jpg”)
\nlibrary(corrgram)
\ncorrgram(data, order=NULL, lower.panel=panel.shade,
\nupper.panel=NULL, text.panel=panel.txt,
\nmain=”DEA tehokkuuskertoimen (x) ja mallin muuttujien v\u00e4linen korrelaatio”)
\ndev.off()<\/p>\n<\/a><\/p>\n
\nlibrary(corrgram)<\/p>\n
\njpeg(“i:\/todo\/asuntodata_dea\/matrix_scatterplots_.jpg”)
\npairs(data, main=”DEA tehokkuuskertoimen (x) ja mallin muuttujien v\u00e4linen korrelaatio”)\u00a0\u00a0 #draw a matrix of scatter plots for the first 5 variables
\ndev.off()<\/p>\n<\/a><\/p>\n
\nmulti.hist(data) #draw the histograms for all variables
\ndev.off()<\/p>\n<\/a><\/p>\n
\npairs.panels(data) #draws scatterplots, histograms, and shows correlations\u00a0 (source found in the psych package)
\ndev.off()<\/p>\n<\/a><\/p>\n