Ich denke, dies ist einer der schwierigsten Teile bei der Regressionsanalyse. Ich habe auch Probleme mit den meisten Interpretationen (insbesondere binomische Diagnosen sind verrückt!).
Ich bin gerade auf diesen Beitrag gestoßen
http://www.r-bloggers.com/model-validation-interpreting-residual-plots/,
der auch http://statmaster.sdu.dk/courses/st111/module04/index.html verlinkt hat
# ABSCHNITT00020000000000000000
Was mir am meisten hilft, ist die Darstellung der Residuen gegen jeden prädiktiven Parameter, der UND nicht im Modell enthalten ist. Dies gilt auch für diejenigen, die zuvor aus Gründen der Multikolinearität fallengelassen wurden. Für diese Boxplots sind bedingte Streudiagramme und normale Streudiagramme großartig. Dies hilft, mögliche Fehler zu erkennen
In "Forest Analytics with R" (UseR Series) finden Sie einige gute Erklärungen zur Interpretation von Residuen für Modelle mit gemischten Effekten (und auch für Glms). Gut gelesen http://www.springer.com/statistics/life+sciences+medicine+%26+health/book/978-1-4419-7761-8
Vor einiger Zeit habe ich über eine Website nachgedacht, auf der Restmuster gesammelt werden können, die Benutzer als "in Ordnung" und als "nicht in Ordnung" einstufen können. aber diese website habe ich nie gefunden;)
Diese Frage ist ziemlich alt, aber ich dachte, es wäre nützlich hinzuzufügen, dass Sie seit kurzem das DHARMa R-Paket verwenden können, um die Residuen eines beliebigen GL (M) M in einen standardisierten Raum umzuwandeln. Sobald dies erledigt ist, können Sie verbleibende Probleme wie Abweichungen von der Verteilung, verbleibende Abhängigkeit von einem Prädiktor, Heteroskedastizität oder Autokorrelation auf normale Weise visuell bewerten / testen. In der Paketvignette finden Sie ausgearbeitete Beispiele sowie weitere Fragen zum Lebenslauf hier und hier .
quelle