回归诊断和残差分析主题
回归诊断和残差分析执行任何建模过程后，都应该评估一下模型的有效性。您可以使用 Logistic 回归中所包含的各种诊断图、拟合优度检验以及其他诊断度量来进行评估。这些残差和诊断统计量可以帮助您识别与模型拟合效果不佳、对估计参数影响极大或具有高杠杆率的因子/协变量模式。Minitab 为此提供了多个不同的选项，详见下表。Hosmer 和 Lemeshow [24] 建议您采用多种方式结合来解释这些诊断，以便了解模型存在的任何潜在问题。
|
要识别... |
请使用... |
以便度量... |
|
拟合效果不佳的因子/协变量模式 |
Pearson 残差 |
实际观测值与预测观测值之间的差异 |
|
|
标准化 Pearson 残差 |
实际观测值与预测观测值之间的差异，但经过标准化后 s = 1 |
|
|
残差偏差 |
残差偏差，偏差卡方的一个分量 |
|
|
delta 卡方 |
当第 j 个因子/协变量模式删除后，Pearson 卡方所发生的变化 |
|
|
delta 偏差 |
当第 j 个因子/协变量模式删除后，偏差所发生的变化 |
|
对参数估计影响极大的因子/协变量模式 |
delta beta |
当第 j 个因子/协变量模式删除后，系数发生的变化 - 基于 Pearson 残差 |
|
|
基于标准化 Pearson 残差的 delta beta |
当第 j 个因子/协变量模式删除后，系数发生的变化 - 基于标准化 Pearson 残差 |
|
具有高杠杆率的因子/协变量模式 |
杠杆率 (Hi) |
第 j 个因子/协变量模式的杠杆率，用于度量预测变量值的异常程度 |
“图形”子对话框中的可用图形使您可以直观地看到其中部分诊断数据。如果需要的话您还可以在图形中存储其中部分统计量。有关诊断图的进一步讨论，请参见 [22]。您可以使用 Minitab 的图形笔刷功能来标识点。请参见刷图形。