15 离群点和高杠杆率点

15 离群点和高杠杆率点

标签：机器学习与数据挖掘
（此篇R代码对应本博客系列《12 R语言手册（第五站 多元回归》）

1.离群值

  离群值的标准残差的据绝对值非常大，我们研究的时候可以单独把这类值来出来看一下，以使我们的预测模型的不会受到太大干扰。
  那我们如何揪出离群值呢？看图

这里有两个特别离群的点，他们的残差都比一般的值要大一些。但是对于不同的变量，就有不同的度量和方差，我们需要将它们标准化，这样就有了标准残差。
  令$S_{i,\text{resid}}$表示第 $i$ 个残差的标准误差 ，则：
$s_{i,\text{resid}}=s\sqrt{1-h_i}$

（其中，$h_i$表示第i个观察对象的杠杆率点。）
标准残差 等于：
residual ${}_{i,\text{ standardized }}=\frac{y_i-{\hat{y}}_i}{s_{i,\text{resid}}}$

以经验之谈的话，标准残差值超过2的话，就视为离群点。

2.高杠杆率点

  话说回来，在定义残差的标准误差时，没有给出高杠杆率点的定义，现在给出。第 $i$ 个观察点的杠杆率点 $h_i$ 定义如下：
$$h_i=\frac{1}{n}+\frac{{\left(x_i-\overline{x}\right)}^2}{\sum {\left(x_i-\overline{x}\right)}^2}$$
  给定数据集，其中$1/n$和$\sum {\left(x_i-\overline{x}\right)}^2$可以认为是常量，因此第；个观察点的杠杆率点仅依赖${\left(x_i-\overline{x}\right)}^2$，即预测变量值与预测变量均值的差的平方。在x取值范围内，观察点与观察点均值的差别越大，杠杆率值就越大。杠杆率点最低取值为$1/n$，最大取值为 1。观察点的杠杆率值比$2（m+1）/n$或$3（m+1）/n$大，则可以认为其杠杆率值较高（其中m表示预测变量的个数）。
  比如，在定向旅行中，假设具有一个新的观察点，一个实际的优秀定向运动竞争，他运动了16小时，运动距离为39千米。图8.5给出了散点图，更新为11个参与者。
这就说明这是一个高杠杆率点吗？是的。我们先来看这11个数据的回归分析结果：

  现在，我们考察该观察者是否具有影响。评估新观察点出现后对回归系数的影响情况。y轴截距发生了变化，从$b_0$=6.00变化为$b_0$=6.36。但新旅行者的出现并未使斜率发生变化，仍然是$b_1$=2.00。
  这个离群点对估计回归有一定的影响力，稍稍使截距移动了一点，但是未对斜率造成影响。
  我们再说说这个杠杆率的取名含义，如果一个点，加入之后，可以使一个线性模型变动特别大，那么它就是高杠杆率点。虽然这里它没有使模型发生很大的变化。

3.例子

  这个时候，我们就应该再捋一捋概念，算一算题目了。
观察如下数据集：

可如下计算该观察点的杠杆率（x=5，y=20）。由$\hat{x}$=5，可得：
$$\sum {\left(x_i-\overline{x}\right)}^2=(2-5{)}^2+(2-5{)}^2+(3-5{)}^2+\dots +(9-5{)}^2+(5-5{)}^2=54$$
由此可得该新观察点的杠杆率为：
$$h_{(s,20)}=\frac{1}{11}+\frac{(5-5{)}^2}{54}=0.0909$$
在得到该观察点的杠杆率后，我们可以如下得到标准残差。首先，获得残差的标准误差：
$$s_{(5,20),\mathrm{r}\mathrm{a}\mathrm{i}\mathrm{d}}=1.71741\sqrt{1-0.0909}=1.6375$$
由此获得标准残差：
$$residua{l}_{(5,20),\text{ standardized }}=\frac{y_i-{\hat{y}}_i}{s_{(5,20),\text{ resid }}}=\frac{20-16.364}{1.6375}=2.22$$
注意它的标准残差值是2.22，比2.0稍大一定，因此，它被视为轻度离群点。

4.库克距离

库克距离是最常用的度量观察点影响的方法。它既考虑到观察点残差的大小，又考虑了杠杆率。对第i个观察点，库克距离形式如下：
$$D_i=\frac{{\left(y_i-{\hat{y}}_i\right)}^2}{(m+1)s^2}\left[\frac{h_i}{{\left(1-h_i\right)}^2}\right]$$
（其中$\left(y_i-{\hat{y}}_i\right)$表示第 $ i $ 个观察点的残差，$s$ 表示估计的标准差，$h_i$ 表示第 $ i $ 个观察点的杠杆率，$ m $ 表示预测变量的数目。）
  确定某一观察点是否具有影响的经验规则是其库克距离超过1.0。更精确地说，也可以比较库克距离与具有（m，n-m-1）自由度的 $F$ 分布的百分位数。如果观察值位于该分布的第1个四分之一位（低于25%），则观察点对回归的影响较小。如果库克距离大于该分布的中位数，则该观察点具有一定的影响。对上述观察点来说，其库克距离为0.2465，位于$F_{2,9}$ 分布的第22个百分位处，表明该观察点的影响较小。