- 博客(7)
- 资源 (1)
- 收藏
- 关注
RSS订阅转载 R语言 回归分析的异常观测点判断
异常观测点离群点落在qq图中置信区间外的点即可认为是离群点。使用car包中的outlierTest() 函数可以求得最大标准残差绝对值Bonferroni调整后的p值。library(car)outlierTest(fit)注意该函数只是根据单个最大残差值的显著性来判断是否有离群点。若不显著则没有，若显著则需要删除该离群点，然后再检验是否还有其他离群点存在。高杠杆值点高杠杆值点通过帽子统计量判断。
2019-03-13 09:38:36
2260
转载 R语言 置换检验
置换检验显著性检验通常可以告诉我们一个观测值是否是有效的，例如检测两组样本均值差异的假设检验可以告诉我们这两组样本的均值是否相等（或者那个均值更 大）。我们在实验中经常会因为各种问题（时间、经费、人力、物力）得到一些小样本结果，如果我们想知道这些小样本结果的总体是什么样子的，就需要用到置换检验。
2019-03-13 09:38:28
1468
转载 R语言 广义线性模型
广义线性模型结果是类别性。二值变量，多分类变量记数型。变量都是非负的有限值，均值和方差通常相关的。广义线性模型定义这里不需要对预测变量XjX_j做任何分布的假设，YY需要服从指数分布簇中的一种分布即可。 g(μY)=β0+∑j=1pβjXjg(\mu_Y)=\beta_0+\sum^p_{j=1}\beta_jX_jglm()函数glm(formula, family=family(link
2019-03-13 09:38:19
2304
原创 R语言 主成分和因子分析
主成分分析和因子分析主成分分析(PCA)是一种数据降维技巧，它能将大量相关变量转化为一组很少的不相关变量，这些无关变量称为主成分 探索性因子分析( EFA )是一系列用来发现一组变量的潜在结构的方法。 PCA 的主成分是各个成分的线性组合。 EFA 的因子是被当做观测变量的结构基础或”原因“，而不是它们的线性组合。 步骤：数据预处理，确保没有缺失值选择因子模型判断选择的因子数目选择因
2019-03-13 09:35:51
686
原创 残差假设以及检验的R语言实现方法
残差假设假设的内容假设的检验方法处理不符合假设的数据线性回归对于残差的假设线性回归的目标是通过减少相应变量的真实值与预测值的差值来获得模型参数，即使得残差平方和最小 ∑n1(Yi−Y^i)2=∑n1(ϵ)2\sum_1^n(Y_i -\hat Y_i )^2 = \sum_1^n(\epsilon)^2[维基百科]正态性 对于固定的自变量值，因变量成正态分布独立性 YiY_i 之
2019-03-13 09:35:42
7605
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人