往期回顾
前言
我们接着上一期,来继续讲讲关于线性回归模型的另外两个假设前提的验证(即回归模型的残差满足方差齐性(即方差为某个固定值)和残差之间互相独立性)。
残差方差齐性检验
在线性回归建模中,如果模型表现的非常好的话,那么残差与拟合值之间不应该存在某些明显的关系或趋势。如果模型的残差确实存在一定的异方差的话,会导致估计出来的偏回归系数不具备有效性,甚至导致模型的预测也不准确。所以,建模后需要验证残差方差是否具有齐性,检验的方法有两种,一种是图示法,一种是统计验证法。具体Python代码如下:# ====== 图示法完成方差齐性的判断 ======# 标准化残差与预测值之间的散点图plt.scatter(fit2.predict(), (fit2.resid-fit2.resid.mean())/fit2.resid.std())
plt.xlabel('预测值')
plt.ylabel('标准化残差')# 添加水平参考线plt.axhline(y = 0, color = 'r', linewidth = 2)
plt.show()
从图中看,并没发现明显的规律或趋势(判断标准:如果残差在参考线两侧均匀分布,则意味着异方差性较弱;而如果呈现出明显的不均匀分布,则意味着存在明显的异方差性。),故可以认为没有显著的异方差性特征。
除了上面的图示法,我们还可以通过White检验和Breush-Pagan检验来完成定量化的异方差性检验,具体操作如下:# ====== 统计法完成方差齐性的判断 ======# White's Testsm.stats.diagnostic.het_white(fit2.resid, exog = fit2.model.exog)# Breusch-Pagansm.stats.diagnostic.het_breushpagan(fit2.resid, exog_het = fit2.model.exog)
从检验结果来看,不论是White检验还是Breush-Pagan检验,P值都远远小于0.05这个判别界限,即拒绝原假设(残差方差为常数的原假设),认为残差并不满足齐性这个假设。如果模型的残差确实不服从齐性的话,可以考虑两类方法来解决,一种是模型变换法,另一种是加权最小二乘法。
对于模型变换法来说,主要考虑残差与自变量之间的关系,如果残差与某个自变量x成正比,则原始模型的两边需要同除以sqrt(x);如果残差与某个自变量x的平方成正比,则原始模型的两边需要同除以x。对于加权最小二乘法来说,关键是如何确定权重,根据多方资料的搜索、验证,一般会选择如下三种权重来进行对比测试:残差绝对值的倒数作为权重;
残差平方的倒数作为权重;
用残差的平方对数与X重新拟合建模,并将得到的拟合值取指数,用指数的倒数作为权重;
首先,我们通过图示法,来观测自变量和残差之间的关系,来决定是否可以用模型变换法来解决异方差问题:# ===== 残差与x的关系 =====plt.subplot(231)
plt.scatter(ccpp_outliers.AT, (fit2.resid-fit2.resid.mean())/fit2.resid.std())
plt.xlabel('AT')
plt.ylabel('标准化残差')
plt.axhline(color = 'red', linewidth = 2)
plt.subplot(232)
plt.scatter(ccpp_outliers.V, (fit2.resid-fit2.resid.mean())/fit2.resid.std())
plt.xlabel('V')
plt.ylabel('标准化残差')
plt.axhline(color = 'red', linewidth = 2)
plt.subplot(233)
plt.scatter(ccpp_outliers.AP, (fit2.resid-fit2.resid.mean())/fit2.resid.std())
plt.xlabel('AP')
plt.ylabel('标准化残差')
plt.axhline(color = 'red', linewidth = 2)
plt.subplot(234)
plt.scatter(np.power(ccpp_outliers.AT,2), (fit2.resid-fit2.resid.mean())/fit2.resid.std())
plt.xlabel('AT^2')
plt.ylabel('标准化残差')
plt.axhline(color = 'red', linewidth = 2)
plt.subplot(235)
plt.scatter(np.power(ccpp_outliers.V,2), (fit2.resid-fit2.resid.mean())/fit2.resid.std())
plt.xlabel('V^2')
plt.ylabel('标准化残差')
plt.axhline(color = 'red', linewidth = 2)
plt.subplot(236)
plt.scatter(np.power(ccpp_outliers.AP,2), (fit2.resid-fit2.resid.mean())/fit2.resid.std())
plt.xlabel('AP^2')
plt.ylabel('标准化残差')
plt.axhline(color = 'red', linewidth = 2)# 设置子图之间的水平间距和高度间距plt.subplots_adjust(hspace=0.3, wspace=0.3)
plt.show()
从图中结果可知,不管是自变量x本身,还是自变量x的平方,标准化残差都均匀的分布在参考线0附近,并不成比例,故无法使用模型变换法。接下来我们尝试使用加权最小二乘法来解决问题:# 三种权重w1 = 1/np.abs(fit2.resid)
w2 = 1/fit2.resid**2ccpp_outliers['loge2'] = np.log(fit2.resid**2)# 第三种权重
model = sm.formula.ols('loge2~AT+V+AP', data = ccpp_outliers).fit()
w3 = 1/(np.exp(model.predict()))# 建模
fit3 = sm.formula.wls('PE~AT+V+AP', data = ccpp_outliers, weights = w1).fit()
# 异方差检验het3 = sm.stats.diagnostic.het_breushpagan(fit3.resid, exog_het = fit3.model.exog)
# AICfit3.aicfit4 = sm.formula.wls('PE~AT+V+AP', data = ccpp_outliers, weights = w2).fit()het4 = sm.stats.diagnostic.het_breushpagan(fit4.resid, exog_het = fit4.model.exog)fit4.aic
fit5 = sm.formula.wls('PE~AT+V+AP', data = ccpp_outliers, weights = w3).fit()
het5 = sm.stats.diagnostic.het_breushpagan(fit5.resid, exog_het = fit5.model.exog)
fit5.aic# fit2模型het2 = sm.stats.diagnostic.het_breushpagan(fit2.resid, exog_het = fit2.model.exog)
fit2.aic
print('fit2模型异方差检验统计量:%.2f,P值为%.4f:' %(het2[0],het2[1]))
print('fit3模型异方差检验统计量:%.2f,P值为%.4f:' %(het3[0],het3[1]))
print('fit4模型异方差检验统计量:%.2f,P值为%.4f:' %(het4[0],het4[1]))
print('fit5模型异方差检验统计量:%.2f,P值为%.4f:\n' %(het5[0],het5[1]))
print('fit2模型的AIC:%.2f' %fit2.aic)
print('fit3模型的AIC:%.2f' %fit3.aic)
print('fit4模型的AIC:%.2f' %fit4.aic)
print('fit5模型的AIC:%.2f' %fit5.aic)
通过对比发现,尽管我们采用了三种不同的权重,但都没能通过残差方差齐性的显著性检验(还请高手指点),但似乎fit4模型更加理想,相比于fit2来说,AIC信息更小(当然也可能产出过拟合问题)。
残差独立性检验
之所以要求残差是独立的,说白了是要求因变量y是独立的,因为在模型中只有y和残差项是变量,而自变量X是已知的。如果再配上正态分布的假设,那就是独立同分布于正态分布,关于残差的独立性检验我们可以通过Durbin-Watson统计量来测试。其实,在模型的summary信息中就包含了残差的Durbin-Watson统计量值,如果该值越接近于2,则说明残差是独立。一般而言,在实际的数据集中,时间序列的样本之间可能会存在相关性,而其他数据集样本之间基本还是独立的。
从fit4模型的summary信息可知,Durbin-Watson统计量值几乎为2,故可以认为模型的残差之间是满足独立性这个假设前提的。到此为止,我们就以fit4模型作为我们最终的确定模型,基于这个模型就可以对新的数据集作预测。
下面对fit4模型产生的预测值和实际值作散点图,如果散点图与预测线特别紧密,则认为模型拟合的非常棒:# 预测值与真实值的散点图plt.scatter(fit4.predict(), ccpp_outliers.PE)
plt.plot([fit4.predict().min(),fit4.predict().max()],
[ccpp_outliers.PE.min(), ccpp_outliers.PE.max()],
'', linewidth = 3)plt.xlabel('预测值')
plt.ylabel('实际值')# 显示图形plt.show()
对于上面的操作,我们再次使用R语言进行一次复现:
R语言脚本复现# 加载第三方包library(ggplot2)library(gridExtra)library(lmtest)library(nlme)# 异方差性检验# ====== 图示法完成方差齐性的判断 ======# 标准化误差std_err
geom_point(color = 'steelblue') +
geom_hline(yintercept = 0, color = 'red', size = 1.5) + # 水平参考线
labs(x = '预测值', y = '标准化残差')
# ====== 统计法完成方差齐性的判断 ======# Breusch-Paganbptest(fit2)
# 自变量与残差的关系p1
geom_point(color = 'steelblue') +
geom_hline(yintercept = 0, color = 'red', size = 1.5) + # 水平参考线
labs(x = 'AT', y = '标准化残差')
p2
geom_point(color = 'steelblue') +
geom_hline(yintercept = 0, color = 'red', size = 1.5) + # 水平参考线
labs(x = 'V', y = '标准化残差')
p3
geom_point(color = 'steelblue') +
geom_hline(yintercept = 0, color = 'red', size = 1.5) + # 水平参考线
labs(x = 'AP', y = '标准化残差')
p4
geom_point(color = 'steelblue') +
geom_hline(yintercept = 0, color = 'red', size = 1.5) + # 水平参考线
labs(x = 'AT^2', y = '标准化残差')
p5
geom_point(color = 'steelblue') +
geom_hline(yintercept = 0, color = 'red', size = 1.5) + # 水平参考线
labs(x = 'V^2', y = '标准化残差')
p6
geom_point(color = 'steelblue') +
geom_hline(yintercept = 0, color = 'red', size = 1.5) + # 水平参考线
labs(x = 'AP^2', y = '标准化残差')
grid.arrange(p1,p2,p3,p4,p5,p6,ncol = 3)
# 三种权重w1 = 1/abs(fit2$residuals)
w2 = 1/fit2$residuals**2ccpp_outliers['loge2'] = log(fit2$residuals**2)
model = lm('loge2~AT+V+AP', data = ccpp_outliers)
w3 = 1/(exp(model$fitted.values))# WLS的应用fit3 = lm('PE~AT+V+AP', data = ccpp_outliers, weights = w1)
summary(fit3)# 异方差检验het3 = bptest(fit3)# 模型AIC值extractAIC(fit3)
fit4 = lm('PE~AT+V+AP', data = ccpp_outliers, weights = w2)
summary(fit4)
het4 = bptest(fit4)
extractAIC(fit4)
fit5 = lm('PE~AT+V+AP', data = ccpp_outliers, weights = w3)
summary(fit5)
het5 = bptest(fit5)
extractAIC(fit5)
summary(fit2)
het2 = bptest(fit2)
extractAIC(fit2)
print(paste0('模型fit2的AIC:',round(extractAIC(fit2)[2],2)))
print(paste0('模型fit3的AIC:',round(extractAIC(fit3)[2],2)))
print(paste0('模型fit4的AIC:',round(extractAIC(fit4)[2],2)))
print(paste0('模型fit5的AIC:',round(extractAIC(fit5)[2],2)))
# 残差独立性检验library(car)
durbinWatsonTest(fit4)
ggplot(data = NULL, mapping = aes(fit4$fitted.values, ccpp_outliers$PE)) +
geom_point() +
geom_smooth(method = 'lm') +
labs(x = '预测值', y = '实际值')
结语
OK,今天关于线性回归诊断的剩余部分就分享到这里,也希望各位网友参与互动,互相学习。同时,对于数据挖掘或机器学习比较感兴趣的朋友,能够静下心来好好的复现一遍。如果你有任何问题,欢迎在公众号的留言区域表达你的疑问。欢迎各位朋友继续转发与分享文中的内容,让更多的朋友学习和进步。
关注“每天进步一点点2015”
相关材料下载链接