Доброкачественность функций в R

Ответ 1

Только первая часть этого вопроса может заполнить целые книги. Просто некоторые быстрые варианты:

• lm() для стандартных линейных моделей
• glm() для обобщенных линейных моделей (например, для логистической регрессии)
• rlm() из пакета MASS для надежных линейных моделей
• lmrob() из пакета robustbase для надежных линейных моделей.
• loess() для нелинейных/непараметрических моделей

Затем существуют модели, специфичные для домена, например, временные ряды, микроэкономика, смешанные эффекты и многое другое. Некоторые из представлений задач, например. Econometrics обсудить это более подробно. Что касается доброты, это то, что можно легко провести целую книгу, обсуждая.

Ответ 2

Рабочие лошадки канонической кривой, фитинги в R, lm(), glm() и nls(). Для меня доброта соответствия - подзадача в более крупной проблеме выбора модели. Infact, неверно использующий корректность (например, через ступенчатую регрессию), может привести к серьезной неопределенной модели (см. Книгу Харрела "Стратегии моделирования регрессии" ). Вместо того, чтобы обсуждать проблему с нуля, я рекомендую книгу Харрелла для lm и glm. Библей Venables и Ripley является кратким, но все же стоит прочитать. "Расширение линейной модели с помощью R" от Faraway является всеобъемлющим и читаемым. nls не покрывается этими источниками, но "нелинейная регрессия с R" Ритцем и Стрейбигом заполняет пробел и очень практична.

Ответ 3

Функция nls() (http://sekhon.berkeley.edu/stats/html/nls.html) довольно стандартная для нелинейного аппроксимации кривой наименьших квадратов. Ши квадрат (сумма квадратов остатков) является метрикой, которая оптимизирована в этом случае, но она не нормализована, поэтому вы не можете легко использовать ее, чтобы определить, насколько хорошо подходит. Главное, что вы должны убедиться, что ваши остатки обычно распределяются. К сожалению, я не уверен в автоматическом способе этого делать.

Ответ 4

На сайте Quick R есть разумное резюме основных функций, используемых для установки моделей и тестирования подгонки вместе с образцом R-кода:

• http://www.statmethods.net/stats/regression.html

Ответ 5

Главное, что вы должны обеспечить что ваши остатки обычно распределены. К сожалению, я не уверен в автоматическом способе сделать это.

qqnorm(), вероятно, можно было бы изменить, чтобы найти корреляцию между квантилями образцов и теоретическими квантилями. По сути, это будет просто количественная интерпретация нормального квантильного графика. Возможно, было бы полезно использовать несколько значений коэффициента корреляции для разных диапазонов квантилей. Например, если коэффициент корреляции близок к 1 для средних 97% данных и намного ниже у хвостов, это говорит о том, что распределение остатков примерно нормальное, с некоторой потерей в хвостах.

Ответ 6

Лучше всего держать простую и видеть, работают ли линейные методы "хорошо enuff". Вы можете судить о вашей добродетели в соответствии с GENERALY, посмотрев на R-квадрат и статистику F, вместе, никогда не разделяйтесь. Добавление переменных в вашу модель, которые не имеют отношения к вашей зависимой переменной, может увеличить R2, поэтому вы также должны учитывать статистику F.

Вы также должны сравнить свою модель с другими вложенными или более простыми моделями. Сделайте это с помощью теста соответствия журнальной вероятности, если зависимые переменные одинаковы.

Тест Jarque-Bera хорош для проверки нормальности остаточного распределения.