Я думаю, что это одна из самых сложных частей при проведении регрессионного анализа. Я также борюсь с большинством интерпретаций (в частности, биномиальная диагностика сумасшедшая!).
Я только что наткнулся на этот пост
http://www.r-bloggers.com/model-validation-interpreting-residual-plots/,
который также связал
http://statmaster.sdu.dk/courses/st111/module04/index.html # SECTION00020000000000000000
Что мне больше всего помогает, так это составить график зависимости остатков от каждого прогнозирующего параметра, включенного И не включенного в модель. Это также означает тех, кто был отброшен заранее по соображениям мультиколлинеарности. Для этого бокса отлично подходят условные диаграммы рассеяния и нормальные диаграммы рассеяния. это помогает обнаружить возможные ошибки
В "Forest Analytics with R" (серия UseR) есть несколько хороших объяснений, как интерпретировать невязки для моделей со смешанными эффектами (и glms также). Хорошо читать! http://www.springer.com/statistics/life+sciences,+medicine+%26+health/book/978-1-4419-7761-8
Однажды я подумал о веб-сайте, который может собирать остаточные шаблоны, по которым пользователи могут голосовать, чтобы они были «в порядке» и «не в порядке». но я так и не нашел этот сайт;)
Этот вопрос довольно старый, но я подумал, что было бы полезно добавить, что с недавнего времени вы можете использовать пакет DHARMa R для преобразования остатков любого GL (M) M в стандартизированное пространство. После этого вы можете визуально оценить / проверить остаточные проблемы, такие как отклонения от распределения, остаточная зависимость от предиктора, гетероскедастичность или автокорреляция обычным способом. Смотрите виньетка пакета для проработанных примеров, а также другие вопросы по резюме здесь и здесь .
источник