多元统计分析——基于R-第2章-多元线性模型.pptVIP

Step: AIC=103.06 y ~ x2 + x3 + x5 ? Df Sum of Sq RSS AIC - x5 1 17.40 522.14 102.28 none 504.73 103.06 + x1 1 17.91 486.83 103.76 + x4 1 0.74 503.99 105.01 - x2 1 70.76 575.50 105.78 - x3 1 1848.49 2353.23 156.48 2.3 变量选择 * * 主编：费宇 Step: AIC=102.28 y ~ x2 + x3 ? Df Sum of Sq RSS AIC none 522.14 102.28 + x5 1 17.40 504.73 103.06 + x1 1 14.74 507.40 103.25 + x4 1 0.25 521.89 104.26 - x2 1 66.64 588.78 104.60 - x3 1 1953.30 2475.43 156.30 2.3 变量选择 * * 主编：费宇 Call: lm(formula = y ~ x2 + x3, data = d2.1) Residuals: Min 1Q Median 3Q Max -10.4395 -2.5508 -0.4459 2.7367 7.2345 ? Coefficients: Estimate Std. Error t value Pr(|t|) (Intercept) -18.84290 7.58902 -2.483 0.0183 * x2 0.24923 0.12144 2.052 0.0481 * x3 0.96804 0.08713 11.111 1.09e-12 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1? Residual standard error: 3.978 on 33 degrees of freedom Multiple R-squared: 0.8865, Adjusted R-squared: 0.8796 F-statistic: 128.8 on 2 and 33 DF, p-value: 2.566e-16 回归模型汇总信息:summary(lm.step) * * 主编：费宇 2.4.1 残差分析和异常点探测 残差向量e是模型中随机误差项 的估计，残差分析可以诊断模型的基本假定是否成立。 2.4 回归诊断 * * 主编：费宇 例2.2 计算例2.1得到的逐步回归模型lm.step的普通残差和标准化残差,判断可能存在的异常点,画出相应的残差散点图,并直观判断模型的基本假定是否成立. 2.4 回归诊断 * * 主编：费宇 #例2.2 #假设由例2.1已经得到逐步回归模型lm.step y.res-residuals (lm.exam) #计算模型lm.exam的普通残差 y.rst-rstandard(lm.step) #计算回归模型lm.step的标准化残差 print(y.rst) #输出回归模型lm.step的标准化残差y.rst y.fit-predict(lm.step) #计算回归模型lm.step的预测值 plot(y.res~ y.fit) #绘制以普通残差为纵坐标，预测值为横坐标的散点图 plot(y.rst~ y.fit) #绘制以标准化残差为纵坐标，预测值为横坐标的散点图 2.4 回归诊断 * * 主编：费宇 分别采用residuals( ),rstandard( )和rstudent( )来计算普通残差,标准化残差和学生化残差.