R語言異常值診斷，計算box cox值

data<-data.frame() #資料框的構建

異常值診斷

```r
y=c(160,260,210,265,240,220,275,160,275,250) 
x1=c(70,75,65,74,72,68,78,66,70,65) 
x2=c(35,40,40,42,38,45,42,36,44,42) 
x3=c(1,2.4,2,3,1.2,1.5,4,2,3.2,3) 
shuju<-data.frame(y,x1,x2,x3) 
shuju 
lm1=lm(y~.,data=shuju)#(2)求三元線性回歸方程(3)擬合優度檢驗 
summary(lm1) 
#異常值與強影響點 
#殘差 
shuju.stdres<-rstudent(lm1);      
#中心化槓桿值 
ch<-hatvalues(lm1)-1/10;
#cook距離 
shuju.cooks<-cooks.distance(lm1);
#找異常值 
isoutlier<-abs(shuju.stdres)>3;
isoutlier  #殘差選擇正負3倍標準差以外的 
isch<-ch>2*1/10;
isch     #槓桿值大於兩倍的hba 
iscooks<-shuju.cooks>1;
iscooks    #庫克距離大於1的

library(mass)

b <- boxcox(y ~ x1 + x2 + x3 + x4, data=data)
blambda <- b$x
lik <- b$y
bc <- cbind(lambda, lik)
bc[order(
-lik),]
#結果λ=-0.3時lik值最大，因此λ取值-0.3

R語言 觀測異常值並改進

全面的回歸分析包括對異常值的分析 離群點 高槓桿值點 強影響點。離群點 模型效果不佳的觀測點。使用car包中的outliertest 函式，可以求得最大標準化殘差絕對值bonferroni調整後的p值，若不顯著，則說明資料集中沒有離群點，若顯著，則必須刪除該離群點。可見，在這個回歸模型中 nevad...

R中異常值檢測

data1 complete.cases selectdata 布林判斷 true代表1，false代表0 sum complete.cases selectdata 完整資料200條 sum complete.cases selectdata 不完整資料1條 mean complete.cases...

R語言回歸分析中的異常值點的介紹

1 離群點 如何識別離群點？1 q q圖，落在置信區間帶外的點即可被認為是離群點。2 乙個粗糙的判斷準則 標準化殘差值大於2或者小於2的點可能是離群 3 library car outliertest fit 顯示離群點 rstudent unadjusted p value bonferonni ...