超级会员免费看
本文探讨了R语言中如何进行回归诊断，强调了模型满足统计假设的重要性。通过lm()函数和summary()函数初步分析模型后，进一步利用confint()函数揭示了回归分析中的问题。文中指出，当模型的统计假设未被满足时，可能导致预测结果的偏差。回归诊断技术，如基础包中的plot()函数生成的四幅图形，是评估和改善模型的关键。文章以一个简单的线性回归为例，展示了如何通过图形诊断回归模型的适用性。
使用lm()函数来拟合OLS回归模型，通过summary()函数获取模型参数和 相关统计量。但是，没有任何输出告诉你模型是否合适，你对模型参数推断的信心依赖于它在多 大程度上满足OLS模型统计假设。虽然在代码清单8-4中summary()函数对模型有了整体的描述， 但是它没有提供关于模型在多大程度上满足统计假设的任何信息。 为什么这很重要？因为数据的无规律性或者错误设定了预测变量与响应变量的关系，都将致 使你的模型产生巨大的偏差。一方面，你可能得出某个预测变量与响应变量无关的结论，但事实 上它们是相关的；另一方面，情况可能恰好相反。当你的模型应用到真实世界中时，预测效果可 能很差，误差显著。 现在让我们通过confint()函数的输出来看看8中states多元回归的问题
> states <- as.data.frame(state.x77[,c("Murder", "Population",
"Illiteracy", "Income", "Frost")])
> fit <- lm(Murder ~ Population + Illiteracy + Income + Frost, data=states)
> confint(fit)
2.5 % 97.5 %
(Intercept) -6.55e+00 9.021318
Population 4.14e-05 0.000406
Illiteracy 2.38e+00 5.903874
Income -1.31e-03 0.001441
Frost -1.97e-02 0.020830 结果表明，文盲率改变1%，谋杀率就在95%的置信区间[2.38, 5.90]中变化。另外，因为Frost
的置信区间包含
订阅专栏 解锁全文
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
