回归分析 刘超 第4章 模型诊断.pdf

回归分析 ——方法、数据与R的应用 刘超 statchao@buaa.edu.cn 北京航空航天大学数学科学学院 2020年1月20 日 课件仅供教学使用 刘 超 ，回归分析——方法、 数据与R的应用，高等教育 出版社，2019年10月 第4章 模型诊断 上课之前的话 很难一步到位得到好模型，而模型诊断会给出改进建议 对于线性回归模型，问题可能出现在以下三种情形中: 2 • (1) 误差。通常假定ε~N(0 ，σI) ，即假设误差独立、常数方差 (constant variance)且服从正态分布 • (2) 模型。假设Ey=Xβ，即模型的结构部分是线性的 • (3) 异常的观测。有时少数观测可能会改变模型的选择和拟合 模型构建是一个迭代和交互的过程 • 模型诊断技术既可以是灵活但难明确解释的图形技术 • 也可以是仅需较少直觉的数字技术 目的与要求 (1) 了解线性回归模型可能存在的问题; (2)掌握对误差假设的检验; (3)掌握对异常观测的检测; (4)掌握对模型结构的检验; (5)掌握模型诊断方法在R软件中的实现。 4.1 检验误差假设 4.1 检验误差假设 检查误差ε的独立性、常数方差和正态性 • 虽然误差ε是不可观测的，但是可以检查残差 • 然而残差不能与误差互换，它们具有一些不同的性质 −1 −1 回想 ，其中 是帽子 ො = = = 矩阵，因此: Ƹ = −ො = ( −) = ( −) + ( −) = ( −) 2 2 假定 var = ，则 varƸ =var[( −)] = ( −) 误差具有相等方差且不相关的性质，但残差没有这些性质 合理地对残差进行诊断，以检查对误差的假设是否合理 4.1.1 常数方差 ො 最有用的诊断工具是 与 的散点图Ƹ • 如果模型合适，可以看到残差 在垂直方向上的对称变化Ƹ • 在残差图中还可以检测到模型结构部分中的非线性 三种 不同 的残 差图 第一个图表示当前模型合适;第二个图表示存在异方差;第 三个图表示存在非线性，这意味着模型结构形式要做调整 非常数方差也称为异方差(heteroscedasticity)。 4.1.1 常数方差 例4.1 青原博士继续使用2017年我国居民人均消费支出数据， 以例3.1建立的多元线性回归模型为基础说明如何分析残差。 绘制残