回归分析标志着预测建模的第一步。毫无疑问,回归分析非常容易实现。无论是语法还是其中使用的参数,都没有任何易混淆的。但是,只跑一行代码是无法解决问题的,也不是只看看R² ,MSE值就可以的。回归分析告诉我们的远远不止这些!
All models are wrong, but some are useful.
——George Box
1. 简介
在R语言中,通过使用plot(model_name)函数,回归分析会返回4张图。每一张图都提供了重要的信息,或者说是讲了一个关于数据的有趣的故事。可悲的是,许多初学者要么是无法破译其中的信息,要么是不关注这些图背后究竟说明了什么。事实上,一旦你能读懂这些图,你将能够使回归模型的结果有显著的提升!
对于模型的优化,你还需要理解回归分析的假设条件,以及当现实违反了回归分析的基本假定时,采用何种方法进行处理。
在这篇文章中,将解释回归分析的重要假设和图(以及处理和解决方法),以帮助你更详细地理解回归分析的概念。如上所述,掌握了这些知识后,你将能够使回归分析模型效果取得显著性提升!
为了理解回归分析中的图,你必须先了解回归分析的基础知识。如果你已经掌握了回归分析的基本知识,可以跳过以下内容,否则,就继续阅读把!——Tips
2. 回归分析中的假设
回归分析是一种参数方法。“参数”意味着出于分析的目的,它会做一些关于数据的假设。也正是因为这种参数性质,回归分析本质上是具有限制性的。对于那些不满足回归分析基本假设条件的数据,它无法产生良好的结果。因此,验证假设是否满足对于一次成功的回归分析至关重要。
那么你该如何验证一个数据集是否满足回归分析的基本假设呢?你可以使用回归图以及统计检验来验证,接下来将解释。
接下来看回归分析中的重要假设:
在依赖变量(响应变量,即Y)与独立变量(预测器X)之间应该存在线性和叠加关系。线性关系表明,无论 X¹取何值, 由X¹发生一个单元的变化引起Y值的变化是固定的。叠加关系表明 X¹对Y的影响与其他变量无关,即X¹对Y影响是独立的。
残差(误差)项之间没有相关性。否则,为自相关。
独立变量不应该相关。否则,为多重共线性。
残差项的方