Остаточные значения

Цель

Остаточные значения полезны для обнаружения отдаленных значений y и проверки предположений линейной регрессии относительно остаточного члена в модели регрессии. Наблюдения высоких рычагов имеют меньшие остаточные значения, потому что они часто переключают линию регрессии или поверхность ближе им. Можно также использовать остаточные значения, чтобы обнаружить некоторые формы heteroscedasticity и автокорреляции.

Определение

Residuals матрицей является n-by-4 таблица, содержащая четыре типа остаточных значений с одной строкой для каждого наблюдения.

Необработанные остаточные значения

Наблюдаемый минус подходящие значения, то есть,

$r_{i} = y_{i} - \hat{y} {}_{i}.$

Остаточные значения Пирсона

Необработанные остаточные значения, разделенные полностью среднеквадратическая ошибка, то есть,

$p r_{i} = \frac{r_{i}}{\sqrt{M S E}},$

где r_{, i} является необработанной невязкой и MSE, является среднеквадратической ошибкой.

Стандартизированные остаточные значения

Стандартизированные остаточные значения являются необработанными остаточными значениями, разделенными на их предполагаемое стандартное отклонение. Стандартизированная невязка для наблюдения i

$s t_{i} = \frac{r_{i}}{\sqrt{M S E (1 - h_{i i})}},$

где MSE является среднеквадратической ошибкой и h_{, ii} является значением рычагов для наблюдения i.

Остаточные значения Studentized

Остаточные значения Studentized являются необработанными остаточными значениями, разделенными на независимую оценку остаточного стандартного отклонения. Невязка для наблюдения i разделена на оценку ошибочного стандартного отклонения на основе всех наблюдений за исключением наблюдения i.

$s r_{i} = \frac{r_{i}}{\sqrt{M S E_{(i)} (1 - h_{i i})}},$

где MSE _(i) является среднеквадратической ошибкой подгонки регрессии, вычисленной путем удаления наблюдения i и h_{, ii} является значением рычагов для наблюдения i. studentized остаточный sr _i имеет t - распределение с n – p – 1 степень свободы.

Как к

После получения подобранной модели, скажем, mdl, использование fitlm или stepwiselm, вы можете:

Найдите Residuals таблица под mdl объект.
Получите любой из этих столбцов как вектор путем индексации в свойство с помощью записи через точку, например,
```
mdl.Residuals.Raw
```
Постройте любое из остаточных значений для значений, адаптированных вашим использованием модели
```
plotResiduals(mdl)
```
Для получения дополнительной информации смотрите plotResiduals метод LinearModel класс.

Оцените предположения модели Используя остаточные значения

Скрипт Open Live Script

В этом примере показано, как оценить предположения модели путем исследования остаточных значений подбиравшей модели линейной регрессии.

Загрузите выборочные данные и сохраните независимые переменные и переменные отклика в таблице.

 load imports-85
 tbl = table(X(:,7),X(:,8),X(:,9),X(:,15),'VariableNames',...
{'curb_weight','engine_size','bore','price'});

Подбирайте модель линейной регрессии.

mdl = fitlm(tbl)

mdl = 
Linear regression model:
    price ~ 1 + curb_weight + engine_size + bore

Estimated Coefficients:
                    Estimate        SE         tStat       pValue  
                   __________    _________    _______    __________

    (Intercept)        64.095        3.703     17.309    2.0481e-41
    curb_weight    -0.0086681    0.0011025    -7.8623      2.42e-13
    engine_size     -0.015806     0.013255    -1.1925       0.23452
    bore              -2.6998       1.3489    -2.0015      0.046711


Number of observations: 201, Error degrees of freedom: 197
Root Mean Squared Error: 3.95
R-squared: 0.674,  Adjusted R-Squared: 0.669
F-statistic vs. constant model: 136, p-value = 1.14e-47

Постройте гистограмму необработанных остаточных значений.

plotResiduals(mdl)

Гистограмма показывает, что остаточные значения немного правильные скошенный.

Постройте диаграмму всех четырех типов остаточных значений.

 Res = table2array(mdl.Residuals);
 boxplot(Res)

Вы видите скошенную правом структуру остаточных значений в диаграмме также.

Постройте график нормального распределения необработанных остаточных значений.

plotResiduals(mdl,'probability')

Этот график нормального распределения также показывает отклонение от нормальности и скошенности на правом хвосте распределения остаточных значений.

Постройте остаточные значения по сравнению с изолированными остаточными значениями.

plotResiduals(mdl,'lagged')

Этот график показывает тренд, который указывает на возможную корреляцию среди остаточных значений. Можно далее проверять это использование dwtest(mdl). Последовательная корреляция среди остаточных значений обычно означает, что модель может быть улучшена.

Постройте график симметрии остаточных значений.

plotResiduals(mdl,'symmetry')

Этот график также предполагает, что остаточные значения не распределяются одинаково вокруг их медианы, как ожидался бы для нормального распределения.

Постройте остаточные значения по сравнению с подходящими значениями.

plotResiduals(mdl,'fitted')

Увеличение отклонения как подходящее увеличение значений предлагает возможный heteroscedasticity.

Ссылки

[1] Аткинсон, A. T. Графики, преобразования и регрессия. Введение в графические методы диагностического регрессионного анализа. Нью-Йорк: Оксфорд статистический научный ряд, издательство Оксфордского университета, 1987.

[2] Neter, J., М. Х. Катнер, К. Дж. Нахцхайм и В. Вассерман. Прикладные линейные статистические модели. IRWIN, McGraw-Hill Companies, Inc., 1996.

[3] Белсли, D. A. Э. Кух и Р. Э. Велш. Диагностика регрессии, идентифицируя влиятельные данные и источники коллинеарности. Ряд Вайли в вероятности и математической статистике, John Wiley and Sons, Inc., 1980.

Документация