R语言—回归诊断

Posted 2021-04-18 大康的笔记

上期介绍了回归诊断的标准方法，但是还有一些改进的方法可以更好的对回归模型进行验证。

（一）线性模型假设综合验证

使用gvlma包中的gvlma()函数。

#回归诊断

> state<-as.data.frame(state.x77[,c("Murder","Population","Illiteracy","Income","Frost")])

> fit<-lm(Murder~Population+Illiteracy+Income+Frost,data=state)

> library(gvlma)

> gvmodel<-gvlma(fit)

> summary(gvmodel)

我们可以看到数据满足OLS回归模型所有的统计假设（p＝0.597），若p<0.05）则可用以下方法继续检测。

（二）car包中提供多个拟合和评价回归模型的函数

（1）正态性

检验正态性可以用car包中的qqPlot()函数。

>library(car)

>qqPlot(fit,labels=row.names(states),id.method="identify",simulate=TRUE,main="qqPlot")

在上图可以很清楚的看到大多数的点均落在置信区间内，但Nevada点离直线比较远，说明该模型在该点时有较大的正残差值，也就是说模型在该点的预测是不准确的。

（2）独立性

>library(car)

>durbinWatsonTest(fit)

结果表明p>0.05，说明变量之间相互独立，符合独立性。

（3）线性

>library(car)

>crPlots(fit)

本图中线性关系良好，若存在非线性，说明可能对预测变量的函数形式建模不够充分，那么就需要添加一些非线性成分，如添加多项式项等。

（4）同方差性

>library(car)

>ncvTest(fit)

结果中p>0.05，表明满足同方差性。

（5）多重共线性

>library(car)

>vif(fit)

>sqrt(vif(fit))>2

若vif的平方根大于2，说明存在多重共线问题，本结果中均小于2，表明不存在多重共线问题。

以上就是回归诊断的常用方法，这些是对模型很重要的评价手段，我们可以根据评价结果对所建模型进行修改。下期将会介绍模型中异常观测值的处理，明天见喽！

扫描二维码

获取更多精彩

大康的笔记