一元线性回归分析的残差诊断

1973年安斯库姆（Anscombe)构造了四组数据，用这四组数据得到的经验回归方程是相同的，
都是y=3.00+0.500x,
决定系数都是，r2=0.667,
相关系数r=0.816。
这四组数据所建的回归方程是相同的，决定系数r2,F统计量也都相同，
且均通过显著性检验，说明这四组数据y与x之间都有显著的线性相关关系。
然而，变量y与x之间是否就有相同的线性相关关系呢？
由上述四组数据的散点图（见图2.7)可以看到，变量y与x之间的关系是很不相同的。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import statsmodels.api as sm
import statsmodels.formula.api as smfdf = pd.read_json( '{"x1":{"0":4,"1":5,"2":6,"3":7,"4":8,"5":9,"6":10,"7":11,"8":12,"9":13,"10":14},"y1":{"0":4.26,"1":5.68,"2":7.24,"3":4.82,"4":6.95,"5":8.81,"6":8.04,"7":8.33,"8":10.84,"9":7.58,"10":9.96},"x2":{"0":4,"1":5,"2":6,"3":7,"4":8,"5":9,"6":10,"7":11,"8":12,"9":13,"10":14},"y2":{"0":3.1,"1":4.74,"2":6.13,"3":7.26,"4":8.14,"5":8.77,"6":9.14,"7":9.26,"8":9.13,"9":8.74,"10":8.1},"x3":{"0":4,"1":5,"2":6,"3":7,"4":8,"5":9,"6":10,"7":11,"8":12,"9":13,"10":14},"y3":{"0":5.39,"1":5.73,"2":6.08,"3":6.44,"4":6.77,"5":7.11,"6":7.46,"7":7.81,"8":8.15,"9":12.74,"10":8.84},"x4":{"0":8,"1":8,"2":8,"3":8,"4":8,"5":8,"6":8,"7":8,"8":8,"9":8,"10":19},"y4":{"0":6.58,"1":5.76,"2":7.71,"3":8.84,"4":8.47,"5":7.04,"6":5.25,"7":5.56,"8":7.91,"9":6.89,"10":12.5}}')
df.keys()
df.head()model1 = smf.ols("y1 ~ x1 " , data=df).fit()
model2 = smf.ols("y2 ~ x2 " , data=df).fit()
model3 = smf.ols("y3 ~ x3 " , data=df).fit()
model4 = smf.ols("y4 ~ x4 " , data=df).fit()model1.summary()
model2.summary()
model3.summary()
model4.summary()


fig = plt.figure()ax1 = fig.add_subplot(2, 2, 1)
ax1.plot(df['x1'], df['y1'], 'ro')
ax1.plot(df['x1'], model1.predict(), 'g-')ax2 = fig.add_subplot(2, 2, 2)
ax2.plot(df['x2'], df['y2'], 'ro')
ax2.plot(df['x2'], model2.predict(), 'g-')ax3 = fig.add_subplot(2, 2, 3)
ax3.plot(df['x3'], df['y3'], 'ro')
ax3.plot(df['x3'], model3.predict(), 'g-')ax4 = fig.add_subplot(2, 2, 4)
ax4.plot(df['x4'], df['y4'], 'ro')
ax4.plot(df['x4'], model4.predict(), 'g-')plt.tight_layout()

#########################
########################绘制残差图
#########################
fig = plt.figure()ax = fig.add_subplot(2, 2, 1)
sns.residplot(x="x1", y= "y1", data=df)ax = fig.add_subplot(2, 2, 2)
sns.residplot(x="x2", y = "y2", data=df)ax = fig.add_subplot(2, 2, 3)
sns.residplot(x = "x3", y = "y3", data=df)ax = fig.add_subplot(2, 2, 4)
sns.residplot(x = "x4", y = "y4", data=df)

一元线性回归分析的残差诊断相关推荐

R假设检验与一元线性回归分析
假设检验相关系数 cor(x,y) cor.test(x,y) 相关系数越接近1,x与y越相关 > data("iris") > plot(iris) > ...
一元线性回归分析与建模
一元线性回归分析一元回归分析的基本概念回归模型的建立一般包括: (1)通过某事物现,转化为具体问题: (2)确定指标变量,收集整理数据,并构建模型进行参数估计: (3)模型的检验,当模型检验不通过 ...
一元线性回归分析的R语言实现（RStudio）
简介回归分析是一种应用广泛的数理统计方法,它是研究变量与变量之间的相关关系,这种关系大致分为两类:确定性关系(能用函数精确描述)和非确定性关系(不能用函数描述). 变量间的非确定性关系称为相关关系. ...
（生物信息学）R语言与统计学入门（七）—— 一元线性回归分析
我们之前讲过相关性分析,生物信息学常见的相关性分析是pearson相关和spearman相关. (生物信息学)R语言与统计学入门(六)-- Pearson和Spearman相关性分析_Lijingxi ...
回归分析（二）—— 一元线性回归分析
主要内容回归分析概述一元线性回归分析多元线性回归逻辑回归其他回归分析二.一元线性回归分析 (一)一元线性回归方法随机误差反映了除x和y之间的线性关系之外的随机因素对y的影响. 分析预测房 ...
线性回归用matlab怎么做,用matlab做一元线性回归分析
一元线性回归分析是在排除其他影响因素的假定其他影响因素确定的情况下,分析某一个因素(自变量)是如何影响另外一个事物(因变量)的过程,所进行的分析是比较理想化的. 用SPSS可以做一元线性回归分析,但是 ...
python实现一元线性回归分析的全部过程
目标:写清楚一元线性回归分析的全部过程. 一元线性回归分析步骤: 确定变量variable:independent variable and dependent variable 画散点图scatte ...
MATLAB一元线性回归分析
MATLAB一元线性回归分析应用举例作者:凯鲁嘎吉 - 博客园 http://www.cnblogs.com/kailugaji/ huigui.m function [b,bint,r,rint, ...
matlab一元线性回归分析_建模开讲：一元线性回归分析及SPSS软件实现
主讲内容:一元线性回归分析及SPSS软件实现主讲时间:2020年3月28日(周六)上午9:00 直播平台:腾讯课堂主讲人:么彩莲链接地址:点击下面的"阅读原文"可以获得直播地 ...

一元线性回归分析的残差诊断

一元线性回归分析的残差诊断相关推荐

最新文章

热门文章