标签：线性变换 page96 e1 lm 标准化 残差 散点图 norm1 稳定化

> rm(list = ls())
> A=read.csv("data96.csv")
> A
   Y      N
1 11 0.0950
2  7 0.1920
3  7 0.0750
4 19 0.2078
5  9 0.1382
6  4 0.0540
7  3 0.1292
8  1 0.0503
9  3 0.0629
> attach(A) #将数据A的列名直接赋为变量

plot(N,Y) #绘制散点图
lm.air=lm(Y~N) #线性回归
summary(lm.air)

e.norm1=(e-mean(e))/sqrt((sum(e^2))/(n-2)) #计算标准化残差 //scale()函数将一组数据进行中心化、标准化 但是我觉得不能用于求标准化残差
plot(Y,e.norm1,ylab = "标准化残差") #绘制标准化残差关于响应变量Y的散点图

 从这个图看出残差随着N的增大而增大，因此似乎违背了方差齐性的假定。因为损害事故数可能是一个泊松分布，其方差与均值成比例。

由于可能是泊松分布，泊松分布的方差与均值有一次比例关系，所以为了保证方差齐性假定，我们做平方根变换。

Z=sqrt(Y) 
plot(N,Z) #绘制散点图
lm.air1=lm(Z~N) #线性回归
summary(lm.air1)

e1=lm.air1$resid
e.norm1=(e1-mean(e1))/sqrt((sum(e1**2))/(n-2)) #标准化残差

plot(Z,e.norm1,ylab = "标准化残差") #绘制标准化残差关于响应变量sqrt(Y)的散点图 

标签：线性变换,page96,e1,lm,标准化,残差,散点图,norm1,稳定化
来源： https://www.cnblogs.com/jiaxinwei/p/11718522.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。