head(data)

numberFaults=data$numblts

head(data1)

调查的出的各指标数据用R软件进行处理并且用箱图进行对比显示。

有显著的相关关系。从变量相关关系图和矩阵，可以看到temperatureMin和temperatureMax，windChillMin，windChillMax，以及gustSpeed和windSpeed之间，rainfall和changeInRainfall，以及lightningRisk和lightningCategory之间都有教明显的线性相关关系。yearDay和windChill之间也有一定的相关关系。

summary(glm.po)

点击标题查阅往期内容

数据分享|R语言用lme4多层次（混合效应）广义线性模型（GLM），逻辑回归分析教育留级调查数据

左右滑动查看更多

01

02

03

04

kappa(cor(data[,c(1:15,17:20)]), exact=T)

## [1] 3.020456e+18

step(glm.po2)

summary(glm.step)

vif

从模型中变量的VIF值来看，大多数变量之间不存在较强的多重共线性关系。从残差拟合图来看，大部分样本拟合值分布在0周围，说明拟合结果较理想。981,2331和524号样本可能为异常点。从正态分布qq图来看，大部分点分布在图中直线附近。说明样本点服从正态分布。同样，拟合值的标准残差也分布在红线周围，说明拟合效果较好。同样，大部分样本的cook’ distance距离在正常范围内，392,624,622号样本的cook’ distance较大，可能会对模型产生较大的影响。

全子集回归,即基于全模型获得可能的模型子集,并根据AIC值等对子集排序以从中获取最优子集。

avg(ms1, subset = delta < 10,fit=T,rank = "AIC")

plot(pre-numberFaults)

Rsquare=ssr/sst

从逻辑回归结果来看，模型中部分自变量对因变量的影响较为明显，达到了0.01的显著性水平，具有一定的理论意义。然而从AIC的值来看，达到了4024.881，数值较大，说明模型的拟合度较差，有进一步改进的空间。一般认为计算条件数kappa(X)，k