Att gå vidare när modellantaganden bryts

Inferens för linjär regression i R

Jo Hardin

Professor, Pomona College

Linjär modell

$$\huge{Y = \beta_0 + \beta_1 \cdot X + \epsilon}$$

$$\large{\text{where } \epsilon \sim N(0, \sigma_\epsilon)}$$

Inferens för linjär regression i R

Transformera förklaringsvariabeln

$Y = \beta_0 + \beta_1 \cdot X + \beta_2 \cdot X^2 + \epsilon$, where $\epsilon \sim N(0, \sigma_\epsilon)$

$Y = \beta_0 + \beta_1 \cdot \ln(X) + \epsilon$, where $\epsilon \sim N(0, \sigma_\epsilon)$

$Y = \beta_0 + \beta_1 \cdot \sqrt{X} + \epsilon$, where $\epsilon \sim N(0, \sigma_\epsilon)$

Inferens för linjär regression i R

Kvadrera förklaringsvariabeln

ggplot(data=data_nonlinear, 
  aes(x=explanatory, y=response)) + 
     geom_point()


ggplot(data=data_nonlinear, 
  aes(x=explanatory^2, y=response))+ 
     geom_point()

Inferens för linjär regression i R

Transformera responsvariabeln

$Y^2 = \beta_0 + \beta_1 \cdot X + \epsilon$, where $\epsilon \sim N(0, \sigma_\epsilon)$

$\ln(Y) = \beta_0 + \beta_1 \cdot X + \epsilon$, where $\epsilon \sim N(0, \sigma_\epsilon)$

$\sqrt(Y) = \beta_0 + \beta_1 \cdot X + \epsilon$, where $\epsilon \sim N(0, \sigma_\epsilon)$

Inferens för linjär regression i R

Naturlig logaritmtransformation

ggplot(data = data_nonnorm, 
  aes(x = explanatory, y = response)) + 
     geom_point()


ggplot(data = data_nonnorm, 
  aes(x = explanatory, y = log(response))) + 
     geom_point()

Inferens för linjär regression i R

Nu kör vi en övning!

Inferens för linjär regression i R

Preparing Video For Download...