深入探讨回归分析的假设条件、散点图以及解决方案
回归分析标志着预测建模的第一步。毫无疑问,回归分析非常容易实现。无论是语法还是其中使用的参数,都没有任何易混淆的。但是,只跑一行代码是无法解决问题的,也不是只看看R² ,MSE值就可以的。回归分析告诉我们的远远不止这些!
All models are wrong, but some are useful.
——George Box
1. 简介
在R语言中,通过使用plot(model_name)函数,回归分析会返回4张图。每一张图都提供了重要的信息,或者说是讲了一个关于数据的有趣的故事。可悲的是,许多初学者要么是无法破译其中的信息,要么是不关注这些图背后究竟说明了什么。事实上,一旦你能读懂这些图,你将能够使回归模型的结果有显著的提升!
对于模型的优化,你还需要理解回归分析的假设条件,以及当现实违反了回归分析的基本假定时,采用何种方法进行处理。
在这篇文章中,将解释回归分析的重要假设和图(以及处理和解决方法),以帮助你更详细地理解回归分析的概念。如上所述,掌握了这些知识后,你将能够使回归分析模型效果取得显著性提升!
为了理解回归分析中的图,你必须先了解回归分析的基础知识。如果你已经掌握了回归分析的基本知识,可以跳过以下内容,否则,就继续阅读把!——Tips
2. 回归分析中的假设
回归分析是一种参数方法。“参数”意味着出于分析的目的,它会做一些关于数据的假设。也正是因为这种参数性质,回归分析本质上是具有限制性的。对于那些不满足回归分析基本假设条件的数据,它无法产生良好的结果。因此,验证假设是否满足对于一次成功的回归分析至关重要。
那么你该如何验证一个数据集是否满足回归分析的基本假设呢?你可以使用回归图以及统计检验来验证,接下来将解释。
接下来看回归分析中的重要假设:
在依赖变量(响应变量,即Y)与独立变量(预测器X)之间应该存在线性和叠加关系。线性关系表明,无论 X¹取何值, 由X¹发生一个单元的变化引起Y值的变化是固定的。叠加关系表明 X¹对Y的影响与其他变量无关,即X¹对Y影响是独立的。
残差(误差)项之间没有相关性。否则,为自相关。
独立变量不应该相关。否则,为多重共线性。
残差项的方差恒定,即同方差性。否则,为异方差性。
残差项必须服从正态分布。
3. 违反了基本假设怎么办
接下来深入了解回归分析的每一种基本假设,以及学习如何分析其结果。
1)线性与叠加
如果将线性模型拟合到非线性、非叠加的数据集上,回归算法将无法从数学上捕获数据集中的趋势,从而导致模型无效。在未知的数据集上进行预测,也将导致预测错误。
校验方法:检查拟合值图中的残差,此外,你还可以在回归模型中加入 (X, X², X³) 多项式项以捕捉其中的非线性影响。
2)自回归
残差项中存在相关性大大地降低了模型的准确率。这通常发生在时间序列模型中,其中下一个值取决于之前的值。如果残差项是相关的,则估计的标准差倾向于低估真实的标准差。
如果发生这种情况,则会导致置信区间和预测区间变窄。较窄的置信区间表明,95%的置信区间里包含系数实际值的概率小于95%。可以通过一个例子来理解预测区间狭窄化。
例如,X¹的最小二乘系数是15.02,其标准误差是2.08(没有自相关)。 但是在存在自相关的情况下,标准误差降低到1.20。 结果,预测间隔从(12.94,17.10)缩小到(13.82,16.22)。
此外,较低的标准误差会导致相关的p值低于实际值。 这将使我们错误地认定参数具有统计意义。
检验方法:检查Durbin - Watson(DW)统计数据。 它必须介于0和4之间。如果DW = 2,则表示没有自相关,0 <DW <2表示正自相关,而2 <DW <4表示负自相关。 此外,还可以查看残差与时间关系图,并查看残差值中的季节性或相关模式。
3)多重共线性
当发现独立变量适度或高度相关时,就出现了多重共线性。在一个具有相关变量的模型里,要找出预测变量与响应变量之间的真实关系就很困难。换句话说,要找出哪个变量真实有助于响应变量的预测变得很困难。
另外一点,出现了相关变量后,标准误差通常会变大。并且,对于大的标准误差,置信区间会变得更宽,导致对斜率参数的估计更不准确。
此外,当预测变量相关时,相关变量的估计回归系数取决于模型中的其他预测变量。如果发生这种情况,你最终会得到一个错误的结论,即变量较强/弱影响目标变量。
因此,即使你从模型中删除一个相关变量,其估计的回归系数也会发生变化,这很不好。
检验方法:你可以使用散点图来显示变量间的相关效果。此外,你还可以用VIF因子。VIF的值<=4表明预测变量间没有多重共线性,而VIF的值>=10表明预测变量之间具有严重的多重共线性。最重要的是,一个相关系数表可以检查多重共线性。
4)异方差性
误差项中出现了非常量方差即为异方差。通常来说,存在异常值或极端杠杆值会导致非常量方差。看起来这些值太重了,才导致对模型性能不同比例对影响。当发生这种情况时,对样本外数据的预测,其置信区间通常会偏宽或偏窄。
检验方法:你可以检查残差与拟合值图。如果存在异方差,该图将呈现漏斗状(如下一节内容所示)。同时,你可以通过BreuschPagan/Cook-Weisberg检验或White检验来检测这种现象。
5)残差项的正态分布
如果误差项不服从正态分布,置信区间就会出现过宽或过窄的现象。一旦置信区间变得不稳定,它将导致难以根据最小二乘法来估计系数。出现了非正态分布表明数据中有一些异常值,需要仔细研究这些异常值才能构建一个更好的模型。
检验方法:你可以检查QQ图,也可以执行正态统计检验,如Kolmogorov-Smirnov test,Shapiro-Wilk。
4. 回归图的解释
至此,我们已经学习了回归模型的重要假设,以及当这些假设条件被违反后如果进行检查。
但这还没结束。现在,你已经知道了如何识别并解决回归假设被违反但情况。在这一章节中,会解释4种回归图以及克服回归限制的方法。
1)残差、拟合值图
这个散点图展示了残差与拟合值的分布情况。这是一个最重要的图,每个人都必须掌握。它揭示了不同的有用的视角包括了异常值,并且图中的异常值会被标记他们的观测值以易于监测。
有两个重要的点需要牢记:
如果图中有任何模式,比如可能出现抛物线形状,需要考虑数据中的非线性迹象。这表明模型无法捕捉到非线性效应。
如果图中呈现漏斗形状,则是非常量方差的迹象,即异方差性。
解决方案:
为了克服非线性问题,你可以做一个非线性变换例如log(x),√X 或X²变换。为了克服异方差性,一种可行的办法是变换响应变量,例如log(Y)或√Y。此外,你还可以采用加权最小二乘法解决异方差性问题。
2)正态QQ图
Q-Q图又或是分位数—分位数图,本质是一个散点图,可以用帮助我们检验数据集的正态分布假设。通过这幅图我们可以推断出数据集是否服从正态分布。如果服从正态分布,则Q-Q图呈现出一条直线。若直线出现偏差时,误差不服从正态分布。
如果你想知道什么是’分位数’,这里有一个简单的定义:将分位数视为数据中的点,在这些点下面会有一定比例的数据下降。 分位数通常被称为百分位数。 例如:当我们说第50百分位数的值是120时,这意味着一半的数据低于120。
解决方案:
如果误差不是正态分布的,那么变量(响应或预测变量)的非线性变换可以改善模型。
3)比例位置图
该图还用于检测同方差性(假设方差相等)。 它显示了残差如何沿着预测变量的范围传播。 除了使用标准化残差值之外,它类似于残差与拟合值图。 理想情况下,情节中应该没有可辨别的模式,这意味着误差通常是正态分布的。 但是,如果图上显示任何可辨别的模式(可能是漏斗形状),则意味着误差是服从非正态分布的。
解决方案:
参见第一幅图中异方差性的解决对策。
4)残差VS杠杆图
残差杠杆图也被称为库克的距离图。 库克的距离试图识别比其他点更具影响力的点。 这些影响点往往会对回归线产生相当大的影响。 换句话说,从模型中添加或删除此类点可以完全更改模型统计信息。
但是,这些有影响力的观察能否被视为异常值? 只有在查看数据后才能回答这个问题。 因此,在该图中,由库克距离标记的大值可能需要进一步调查。
解决方案:
对于有影响力的观察,只有异常值,如果不是很多,您可以删除这些行。 或者可以使用数据中的最大值缩小异常值观察值,或者将这些值视为缺失值。
本文的动机是帮助您获得回归假设和图表的基础知识和见解。 这样,您可以更好地控制分析,并能够根据您的要求修改分析。
深入探讨回归分析的假设条件、散点图以及解决方案相关推荐
- 线性回归假设条件及残差检验
文章目录 一.线性回归假设条件(LINE) 二. 残差分析 1. 线性检验 2. 正态性检验 3. 独立性检验 4. 方差齐性检验 5.其他残差图 一.线性回归假设条件(LINE) 线性(Linear ...
- PMP之工具与技术---假设条件和制约因素
假设条件 制约因素 概念 假设条件是指在制定计划时,不需验证即可视为正确.真实或确定的因素. 制约因素是指对项目或过程的执行有影响的限制性因素. 区别 假设条件是当前不能确定的 制约因素是确定的.客观 ...
- 假设条件和制约因素的理解
目录 假设条件 制约因素 假设条件和制约因素都记录在假设日志中. 假设条件 假设条件是指当前不能确定的.未经验证但仍被视为正确.真实或确定的因素. 假设条件存在不确定性,影响项目规划的所有方面:项目实 ...
- 浅谈软件开发中的假设条件
翻开第一篇聊假设条件的博客,发现已经快2年了.那篇主要涉及了点架构方面假设条件的东西,不是很全,今天开一篇聊一下软件开发中的假设条件.如果把假设条件限定在架构方面,稍显冷门.但如果将其扩展到整个软件开 ...
- 软件工程中的系统文献映射研究实例-软件开发中的假设条件与哪些软件制品关联(第四部分)
之前的博客详细描述了软件工程中的系统文献映射研究方法.这里接着给出一个我曾经做过的工作作为例子,以更直观地展示这种研究类型.该研究的背景信息这里不再赘述. 这篇博客主要介绍第三个研究问题的结果,即软件 ...
- 探讨在国内使用Flash Player的解决方案 - 一些找到的线索
目前在国内仍然有大量的而且是非用不可的业务必须依赖Flash Player.Flash确实是要在2020年底要停止支持了,但是这并不是说Flash要淘汰了你就可以不用了,也不是说你觉得这个网页需要依赖 ...
- 【科研数据处理建模】SPSS实战操作生成36类常用论文研究案例,供学习参考
SPSS实战操作 0 注意事项 1 描述性统计 1.1 频数分析表 案例1 1.2 交叉分析表 案例2 1.3 分组汇总 案例3 2 假设检验 2.1 正态性检验 案例4 2.2 单样本比率检验 案例 ...
- 《数学建模:基于R》一一2.1 回归分析
本节书摘来自华章计算机<数学建模:基于R>一书中的第2章,第2.1节,作者:薛 毅 更多章节内容可以访问云栖社区"华章计算机"公众号查看. 2.1 回归分析 在许多实际 ...
- spss非线性回归分析步骤_SPSS与简单线性回归分析
对数据进行简单线性回归分析常按照以下步骤: 1根据研究目的确定因变量和自变量 现研究某服装店销售额和客流量的关系,销售额为因变量,客流量为自变量,共计36条数据. 2 判断有无异常值 判断方法:⑴通过 ...
最新文章
- 1035等差数列末项计算
- 文档的管理计算机,如何使用FTP自动同步备份电脑文件数据?
- python程序设计基础教程答案山东联盟答案_Python程序设计基础 (山东联盟) 期末...
- 6.5 不同类型的数据集
- 最受 IT 公司欢迎的 30 款开源软件
- 1003 我要通过! (20分)_26行代码AC
- php转java还是python_我是应该继续学习php还是转JAVA Go Python?
- seay代码审计mysql插件报错_Seay源代码审计系统1.0版本发布(含下载)
- 建筑竞赛获奖项目解析国外教程
- 【转】区块链面试指南--之共识算法
- 《黑客秘笈——渗透测试实用指南(第2版)》—第1章1.5节构建渗透测试环境...
- 微软云中国的服务器在哪,微软云计算平台Windows Azure将落户中国
- 顺丰快递查询接口的调用方法(附带源码)
- 智能呼叫系统关键技术(一)
- adb 禁止app联网_通过ADB启用和禁用系统应用
- win7与深度(Deepin)linux 双系统启动顺序调整
- Linux 解压,压缩文件--tar 命令
- 【算法-枚举】淘气的青蛙 自己对解题思路的梳理
- 橡皮鸭程序调试法[转] 相当有趣^_^
- python实现图(卖芒果)