R语言实战应用精讲50篇（四）-多重线性回归系列之适用条件验证

最新推荐文章于 2024-07-14 00:30:00 发布

文宇肃然

最新推荐文章于 2024-07-14 00:30:00 发布

阅读量2.3k

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：机器学习人工智能数据分析 R语言多重线性回归

本文链接：https://blog.youkuaiyun.com/wenyusuran/article/details/115079599

本文详细介绍了在R语言中进行多重线性回归分析时，如何检查适用条件，包括独立性、线性关系、正态性和方差齐性。通过残差分析、散点图和统计检验，如Durbin-Watson检验、正态性检验、方差齐性检验等，确保模型的合理性。并推荐了如car、olsrr、HH等R包中的函数进行诊断和验证。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前言

回归方程实际上是整个回归分析里面最简单的一部分，数据适不适合采用线性回归，回归模型对数据的拟合性如何还需要更进一步的考察验证。

线性回归基本适用条件：独立、线性、正态和方差齐同。

适用条件的考察

线性回归适用条件和模型的诊断多涉及残差分析。R的基础包几个常用的残差计算分析函数如下：

residuals()：模型残差；

rstandard()：标准化残差，或者直接计算sqrt(deviance(model)/df.residual(model)),…)；

rstudent()：学生化残差；

predict()：预测值；

plot()：绘制模型诊断图或构建相应的残差图。plot函数可利用模型残差绘制6幅图（默认4幅，相当于which=1:4，Cook距离和Cook距离对杠杆值图默认不显示），实现模型正态性、方差齐性及异常点等的分析。

plot.lm {stats}



Six plots (selectable by which) are currently available: a plot of residuals against fitted values, a Scale-Location plot of sqrt(|residuals|) against fitted values, a Normal Q-Q plo

了解本专栏