R中的拟合优度函数

Question

您在R中使用哪些函数来拟合数据曲线并测试曲线的拟合程度？什么结果被认为是好的？

Answer 1

该问题的第一部分可以填满整本书。只是一些快速选择：

标准线性模型
• lm()
• glm()用于广义线性模型（例如用于逻辑回归）
来自MASS包的
• rlm()用于稳健的线性模型
• lmrob()来自strong robustbase for robust linear models
• loess()用于非线性/非参数模型

然后有特定于域的模型，例如时间序列，微观计量经济学，混合效应等等。例如，几个任务视图Econometrics更详细地讨论了这一点。至于适合度，这也是人们可以轻松地在整本书中讨论的问题。

Answer 2

R中规范曲线拟合的主要工具是lm()，glm()和nls()。对我而言，拟合优度是模型选择中较大问题的一个子问题。事实上，错误地使用拟合优度（例如，通过逐步回归）会产生严重错误指定的模型（参见Harrell关于“回归建模策略”的书）。我不是从头开始讨论这个问题，而是推荐Harrell的书lm和glm。维纳布尔斯和里普利的圣经很简洁，但仍然值得一读。 Faraway的“使用R扩展线性模型”具有全面性和可读性。 nls不在这些来源中，但是Ritz＆amp; amp;的“非线性回归与R”。 Streibig填补了空白，非常实际操作。

Answer 3

nls()函数（http://sekhon.berkeley.edu/stats/html/nls.html）非常适用于非线性最小二乘曲线拟合。 Chi平方（平方残差的总和）是在这种情况下优化的度量，但它没有标准化，因此您不能轻易地使用它来确定拟合的好坏程度。你应该确保的主要是你的残差是正常分布的。不幸的是，我不确定这是一种自动化的方法。

Answer 4

Quick R网站对用于拟合模型和测试拟合的基本函数以及样本R代码进行了合理的总结：

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

Answer 5

  

你应该确保的主要是   你的残差是正常的   分散式。不幸的是我不是   确保自动化的方式。

可能会修改

qqnorm()以找到样本分位数与理论分位数之间的相关性。从本质上讲，这只是对正常分位数图的数值解释。也许为不同的分位数范围提供几个相关系数值可能是有用的。例如，如果中间97％的数据的相关系数接近于1，而尾部的相关系数则低得多，这告诉我们残差的分布大致正常，尾部有一些有趣的情况。