# Assume that we are fitting a multiple linear regression#
on the MTCARS data
library(car)
fit <- lm(mpg~disp+hp+wt+drat, data=mtcars)Con la tecnología de
Este ejemplo es sólo expositivo. Ignoraremos el hecho de que puede que no sea una buena forma de modelar este conjunto de datos concreto.
Valores atípicos
# Assessing Outliers
outlierTest(fit)# Bonferonni p-value for most extreme obs
qqPlot(fit, main="QQ Plot")#qq plot for studentized resid
leveragePlots(fit)# leverage plotsCon la tecnología de
Observaciones influyentes
# 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")Con la tecnología de
No normalidad
# 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)Con la tecnología de
Varianza de error no constante
# Evaluate homoscedasticity# non-constant error variance test
ncvTest(fit)# plot
studentized residuals vs. fitted values
spreadLevelPlot(fit)Con la tecnología de
Multicolinealidad
# Evaluate Collinearity
vif(fit)# variance inflation factors
sqrt(vif(fit))>2# problem?Con la tecnología de
No linealidad
# Evaluate Nonlinearity# component + residual plot
crPlots(fit)# Ceres plots
ceresPlots(fit)Con la tecnología de
La función gvlma( ) del paquete gvlma, realiza una validación global de los supuestos del modelo lineal, así como evaluaciones separadas de la asimetría, la curtosis y la heteroscedasticidad.
# Global test of model assumptions
library(gvlma)
gvmodel <- gvlma(fit)
summary(gvmodel)Con la tecnología de
Una excelente revisión de los diagnósticos de regresión se ofrece en el acertadamente llamado Panorama de los Diagnósticos de Regresión, de John Fox . Dr. El paquete coche de Fox proporciona utilidades avanzadas para el modelado de regresión.
Este ejemplo es sólo expositivo. Ignoraremos el hecho de que puede que no sea una buena forma de modelar este conjunto de datos concreto.
Valores atípicos
Observaciones influyentes
No normalidad
Varianza de error no constante
Multicolinealidad
No linealidad
No independencia de los errores
Ayuda adicional para el diagnóstico
La función gvlma( ) del paquete gvlma, realiza una validación global de los supuestos del modelo lineal, así como evaluaciones separadas de la asimetría, la curtosis y la heteroscedasticidad.
Ir más lejos
Si quieres profundizar en los diagnósticos de regresión, dos libros escritos por John Fox pueden ayudarte: Análisis de regresión aplicado y modelos lineales generalizados (2ª ed) y An R and S-Plus companion to applied regression.