Як отримати залишки з функції lm() у r

Щоб отримати залишки з функції lm() у R, можна використати такий синтаксис:

 fit$residuals

У цьому прикладі припускається, що ми використали функцію lm() для підгонки моделі лінійної регресії та назвали результати підгонкою .

У наступному прикладі показано, як використовувати цей синтаксис на практиці.

Пов’язане: як отримати R-квадрат із функції lm() у R

Приклад: як отримати залишки з lm() у R

Припустимо, що ми маємо наступний кадр даних у R, який містить інформацію про зіграні хвилини, загальну кількість фолів і загальну кількість очок, набраних 10 баскетболістами:

 #create data frame
df <- data. frame (minutes=c(5, 10, 13, 14, 20, 22, 26, 34, 38, 40),
                 fouls=c(5, 5, 3, 4, 2, 1, 3, 2, 1, 1),
                 points=c(6, 8, 8, 7, 14, 10, 22, 24, 28, 30))

#view data frame
df

   minutes fouls points
1 5 5 6
2 10 5 8
3 13 3 8
4 14 4 7
5 20 2 14
6 22 1 10
7 26 3 22
8 34 2 24
9 38 1 28
10 40 1 30

Припустімо, ми хочемо підібрати таку модель множинної лінійної регресії:

очки = β ₀ + β ₁ (хвилини) + β ₂ (фоли)

Ми можемо використовувати функцію lm() , щоб відповідати цій моделі регресії:

 #fit multiple linear regression model
fit <- lm(points ~ minutes + fouls, data=df)

Потім ми можемо ввести fit$residuals , щоб отримати залишки з моделі:

 #extract residuals from model
fit$residuals

         1 2 3 4 5 6 7 
 2.0888729 -0.7982137 0.6371041 -3.5240982 1.9789676 -1.7920822 1.9306786 
         8 9 10 
-1.7048752 0.5692404 0.6144057

Оскільки в нашій базі даних було всього 10 спостережень, є 10 залишків – по одному для кожного спостереження.

Наприклад:

• Перше спостереження має залишок 2089 .
• Друге спостереження має залишок -0,798 .
• Третє спостереження має залишок 0,637 .

І так далі.

Потім ми можемо створити графік залишків від підігнаних значень, якщо бажаємо:

 #store residuals in variable
res <- fit$residuals

#produce residual vs. fitted plot
plot(fitted(fit), res)

#add a horizontal line at 0 
abline(0,0)

На осі абсцис відображаються підігнані значення, а на осі у – залишки.

В ідеалі залишки мають бути випадковим чином розкидані навколо нуля, без чіткої моделі, щоб гарантувати виконання припущення про гомоскедастичність .

На наведеному вище графіку залишків ми бачимо, що залишки випадково розкидані навколо нуля без чіткого шаблону, що означає, що припущення про гомоскедастичність, ймовірно, виконується.

Додаткові ресурси

У наступних посібниках пояснюється, як виконувати інші типові завдання в R:

Як виконати просту лінійну регресію в R
Як виконати множинну лінійну регресію в R
Як створити ділянку залишків у R