Einen ausgezeichneten Überblick über die Regressionsdiagnostik gibt John Fox in seinem treffend benannten Überblick über die Regressionsdiagnostik. Dr. Das Auto-Paket von Fox bietet fortschrittliche Hilfsmittel für die Regressionsmodellierung.
# Assume that we are fitting a multiple linear regression#
on the MTCARS data
library(car)
fit <- lm(mpg~disp+hp+wt+drat, data=mtcars)Bereitgestellt von
Dieses Beispiel dient nur zur Veranschaulichung. Wir werden die Tatsache ignorieren, dass dies möglicherweise keine gute Methode zur Modellierung dieses speziellen Datensatzes ist!
Ausreißer
# Assessing Outliers
outlierTest(fit)# Bonferonni p-value for most extreme obs
qqPlot(fit, main="QQ Plot")#qq plot for studentized resid
leveragePlots(fit)# leverage plotsBereitgestellt von
Einflussreiche Beobachtungen
# Influential Observations# added variable plots
av.Plots(fit)# Cook's D plot# identify D values > 4/(n-k-1)
cutoff <-4/((nrow(mtcars)-length(fit$coefficients)-2))
plot(fit, which=4, cook.levels=cutoff)# Influence Plot
influencePlot(fit, id.method="identify", main="Influence Plot", sub="Circle size is proportial to Cook's Distance")Bereitgestellt von
Nicht-Normalität
# Normality of Residuals# qq plot for studentized resid
qqPlot(fit, main="QQ Plot")# distribution of studentized residuals
library(MASS)
sresid <- studres(fit)
hist(sresid, freq=FALSE,
main="Distribution of Studentized Residuals")
xfit<-seq(min(sresid),max(sresid),length=40)
yfit<-dnorm(xfit)
lines(xfit, yfit)Bereitgestellt von
Nicht konstante Fehlervarianz
# Evaluate homoscedasticity# non-constant error variance test
ncvTest(fit)# plot
studentized residuals vs. fitted values
spreadLevelPlot(fit)Bereitgestellt von
Multikollinearität
# Evaluate Collinearity
vif(fit)# variance inflation factors
sqrt(vif(fit))>2# problem?Bereitgestellt von
# Test for Autocorrelated Errors
durbinWatsonTest(fit)Bereitgestellt von
Zusätzliche diagnostische Hilfe
Die Funktion gvlma( ) im gvlma-Paket führt eine globale Validierung der Annahmen des linearen Modells sowie separate Bewertungen der Schiefe, Kurtosis und Heteroskedastizität durch.
# Global test of model assumptions
library(gvlma)
gvmodel <- gvlma(fit)
summary(gvmodel)Bereitgestellt von
Einen ausgezeichneten Überblick über die Regressionsdiagnostik gibt John Fox in seinem treffend benannten Überblick über die Regressionsdiagnostik. Dr. Das Auto-Paket von Fox bietet fortschrittliche Hilfsmittel für die Regressionsmodellierung.
Dieses Beispiel dient nur zur Veranschaulichung. Wir werden die Tatsache ignorieren, dass dies möglicherweise keine gute Methode zur Modellierung dieses speziellen Datensatzes ist!
Ausreißer
Einflussreiche Beobachtungen
Nicht-Normalität
Nicht konstante Fehlervarianz
Multikollinearität
Nichtlinearität
Nicht-Unabhängigkeit von Fehlern
Zusätzliche diagnostische Hilfe
Die Funktion gvlma( ) im gvlma-Paket führt eine globale Validierung der Annahmen des linearen Modells sowie separate Bewertungen der Schiefe, Kurtosis und Heteroskedastizität durch.
Weiter gehen
Wenn du tiefer in die Regressionsdiagnostik einsteigen möchtest, helfen dir zwei Bücher von John Fox: Applied regression analysis and generalized linear models (2nd ed) und An R and S-Plus companion to applied regression.