前言

回歸模型對數據的擬合性怎么樣，有沒有異常點，各自變量間存不存在多重共線？

本文進行擬合優度的評估、異常點（離群值、高杠桿值、強影響點）的識別與多重共線的診斷。

 

模型評估與診斷

（1）模型擬合優度評估

在模型擬合完畢通過summary()函數可以獲得參數估計表，同時函數也給出了模型的決定系數、校正的決定系數。本例多重線性回歸模型的決定系數R^2=0.2352，即結局變量的總變異中可由回歸模型中解釋變量解釋的部分僅占23.52%。

除了決定系數、校正的決定系數外，赤池信息準則（AIC）、殘差均方（MSE）、Cp統計量也是模型優劣的標準。

library(olsrr)ols_aic(lmfit)full_model<-lm(bwt~.,data=lmdata) #表示包含除因變量外的所有變量。例如，若一個數據框包含變量 x、y、z 和 w，代碼 y ~ .可展開為 y ~x + z + wols_sbic(lmfit, full_model)

 

函數ols_plot_diagnostics{olsrr}能提供了線性回歸的多個診斷圖，其中觀測值與擬合值的散點圖、殘差擬合離散圖可以從圖示角度看一下模型的擬合情況。

library(olsrr)ols_plot_diagnostics(lmfit)

總結

以上是生活随笔為你收集整理的R语言实战应用精讲50篇（三）-多重线性回归系列之模型评估与诊断应用案例的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。