R语言广义线性模型(GLM)、全子集回归模型选择、检验分析全国风向 |
您所在的位置:网站首页 › 回归结果中的p值 › R语言广义线性模型(GLM)、全子集回归模型选择、检验分析全国风向 |
head(data) 读取因变量numberFaults=data$numblts head(data1) 相关分析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。 部分指标的箱线图 查看各变量之间的相关系数有显著的相关关系。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。 glm 线性回归模型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 检验是否存在多重共线性问题kappa(cor(data[,c(1:15,17:20)]), exact=T) ## [1] 3.020456e+18 判断多重共线性变量 进一步模型优化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。 全子集回归来选出最优的模型全子集回归,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。 重新拟合模型 优化模型avg(ms1, subset = delta < 10,fit=T,rank = "AIC") 残差图plot(pre-numberFaults) 计算R-squre值,查看模型拟合情况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 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |