R语言实战应用精讲50篇（三）-多重线性回归系列之模型评估与诊断应用案例

文宇肃然

于 2021-03-24 08:58:26 发布

阅读量2k

点赞数

CC 4.0 BY-SA版权

分类专栏： R语言实战应用案例精讲文章标签：机器学习数据分析可视化 R语言多重线性回归

本文链接：https://blog.youkuaiyun.com/wenyusuran/article/details/115077642

本文详细介绍了如何使用R语言对多重线性回归模型进行评估和诊断，包括模型拟合优度、异常点识别（离群值、高杠杆值、强影响点）以及多重共线性诊断。通过summary()函数、ols_plot_diagnostics()和influence.measures()等工具，展示了如何分析模型的决定系数、残差图、离群点检测和影响点识别，并讨论了处理异常值和共线性问题的方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前言

回归模型对数据的拟合性怎么样，有没有异常点，各自变量间存不存在多重共线？

本文进行拟合优度的评估、异常点（离群值、高杠杆值、强影响点）的识别与多重共线的诊断。

模型评估与诊断

（1）模型拟合优度评估

在模型拟合完毕通过summary()函数可以获得参数估计表，同时函数也给出了模型的决定系数、校正的决定系数。本例多重线性回归模型的决定系数R^2=0.2352，即结局变量的总变异中可由回归模型中解释变量解释的部分仅占23.52%。

除了决定系数、校正的决定系数外，赤池信息准则（AIC）、残差均方（MSE）、Cp统计量也是模型优劣的标准。

library(olsrr)

ols_aic(lmfit)


full_model<-lm(bwt~.,data=lmdata) #表示包含除因变量外的所有变量。例如，若一个数据框包含变量 x、y、z 和 w，代码 y ~ .可展开为 y ~x + z + w

ols_sbic(lmfit, full_model)

函数ols_plot_diagnostics{ol

了解本专栏