Plot.lm işlevine biraz kazmaya başladım , bu işlev lm için altı grafik verir, bunlar:
- kalan değerlere uygun değerlere karşı bir arsa
- Sunulan değerlere karşı sqrt (| Artıklar |) 'nın Ölçek-Konum grafiği
- Normal QQ grafiği, Cook'un satır etiketlerine karşı mesafelerinin grafiği
- kaldıraçlara karşı artıkların bir arsası
- Cook'un kaldıraç / (1 kaldıraç) ile olan mesafelerinin bir grafiği
Ve doğrusal grafiklerde mevcut grafiklerin diğer yaygın / yararlı uzantılarının var olduğunu merak ediyorum ve bunlar R'de nasıl yapılabilir? (paket makalelerine bağlantılar da memnuniyetle karşılanmaktadır)
Boxcox işlevi ({MASS} 'den) başka bir yararlı tanılama grafiğinin bir örneğidir (ve böyle bir cevap harika olurdu), ancak, R'de lm için mevcut varsayılan tanılama grafiğindeki varyasyonlar / uzantılar hakkında daha fazla merak ediyorum (genel olmasına rağmen) konuyla ilgili diğer açıklamalar her zaman memnuniyetle karşılanmaktadır).
İşte ne demek istediğimin bazı basit örnekleri:
#Some example code for all of us to refer to
set.seed(2542)
x1 <- rnorm(100)
x2 <- runif(100, -2,2)
eps <- rnorm(100,0,2)
y <- 1 + 2*x1 + 3*x2 + eps
y[1:4] <- 14 # adding some contaminated points
fit <- lm(y~x1+x2)
#plot(y~x1+x2)
#summary(fit)
Artıkları potansiyel x'in her birine karşı çizmek
plot(resid(fit)~x1); abline (h = 0)
plot(resid(fit)~x2); abline (h = 0)
# plot(resid(fit)~x1+x2) # you can also use this, but then you wouldn't be able to use the abline on any plot but the last one
Qqline'ın 0-1 satırını (bu satır İngilizce olarak nasıl adlandırılır ?!) eklemek için qqline'ın ne kadar saptığını görmek için
plot(fit, which = 2); abline(0,1, col = "green")
Qq-plotunu harici olarak öğrenci kalıntılarını kullanarak çizmek
# plot(fit, which = 2); abline(0,1, col = "green") # The next command is just like this one
qqnorm(rstandard(fit), ylim = c(-2.2,4.2)); qqline(rstudent(fit), lty = 2) ;abline(0,1, col = "green")
qqnorm(rstudent(fit), ylim = c(-2.2,4.2)); qqline(rstudent(fit), lty = 2) ;abline(0,1, col = "green")
# We can note how the "bad" points are more extreme when using the rstudent