第2章-多元线性模型.ppt

59 1 2 3 4 5 6 -0 1 -1 3 -0 0 7 8 9 10 11 12 -0-0 -1 0 -0 -0 13 14 15 16 17 18 -0-1 0 -0 -0 -0 19 20 21 22 23 24 0-0 0 -0 0 0 25 26 27 28 29 30 0-0 -0 -0 -0-0 31 32 33 34 35 36 0 0 -0 0 3-02.3 模型诊断 * * 主编：费宇 回归模型lm.step的标准化残差y.rst如下 第4号和35号是异常点 * * 主编：费宇 图2.1 例2.2中的普通残差图(左)和标准化残差图(右) 例2.3 通过方差稳定变换来更新例2.1得到的逐步回归模型lm.step,并计算更新后模型的标准化残差,画出相应的残差散点图,并直观判断模型的基本假定是否成立. 2.3 模型诊断 * * 主编：费宇 #假设由例2.1已经得到逐步回归模型lm.step lm.step_new-update(lm.step,log(.)~.) #对模型进行对数变换 y.rst-rstandard(lm.step_new) #计算新回归模型lm.step_new的标准化残差 y.fit-predict(lm.step_new) #计算回归模型lm.step_new的预测值 plot(y.rst~ y.fit) #绘制以标准化残差为纵坐标,预测值为横坐标的残差散点图(见图2-2) 采用对数变换来解决方差非齐问题 * * 主编：费宇 对数变换后：只有第35号是异常点 * * 主编：费宇 图2.2 例2.3中的标准化残差图 lm.salary-lm(log(y)~x1+x2+x3+x4,data= data2.1[-c(4,35),]) #去掉第4号和35号观测值再建立全变量回归方程 lm.step-step(lm.salary,direction=both) #用“一切子集回归法”来进行逐步回归 y.rst-rstandard(lm.step) #计算回归模型lm.step的标准化残差 y.fit-predict(lm.step) #计算回归模型lm.step的预测值 plot(y.rst~ y.fit) #绘制以标准化残差为纵坐标,预测值为横坐标的残差散点图 去掉4和35号观测值再回归 * * 主编：费宇 残差全部落在[-2，2]区域内 * * 主编：费宇 图2.3 例2.3中的标准化残差图:去掉4和35号观测值 2.回归诊断：一般的方法 残差分析无法分析模型的影响点,即探测哪些点对模型的推断有重要影响,本节给出的回归诊断方法,可以诊断模型的基本假定是否成立,哪些值是异常点,哪些点是强影响点. 在R中,函数plot( )和influence.measures( )可以用来绘制诊断图和计算诊断统计量 2.3 模型诊断 * * 主编：费宇 例2.4 对例2.3得到的逐步回归模型lm.step_new进行回归诊断分析. 2.3 模型诊断 * * 主编：费宇 #假定由例2.3已经获得模型lm.step_new par(mfrow=c(2,2)) #在一个2×