全文链接：http://tecdat.cn/?p=22328
最近我们被客户要求撰写关于局部加权回归的研究报告，包括一些图形和统计输出。
目前，回归诊断不仅用于一般线性模型的诊断，还被逐步推广应用于广义线性模型领域（如用于logistic回归模型），但由于一般线性模型与广义线性模型在残差分布的假定等方面有所不同，所以推广和应用还存在许多问题
鉴于此，本文使用图表考察logistic模型的拟合优度。
如何处理从逻辑回归中得到的残差图？为了更好地理解，让我们考虑以下数据集
glm(Y~X1+X2,family=binomial)
如果我们使用R的诊断图，第一个是残差的散点图，对照预测值。
> plot(reg,which=1)
也可以
> plot(predict(reg),residuals(reg))
> abline(h=0,lty=2 )
为什么我们会有这两条线的点？因为我们预测了一个变量取值为0或1的概率。当我们使用彩色时，可以更清楚地看到，如果真值是0，那么我们总是预测得更多，残差必须是负的（蓝点），如果真值是1，那么我们就低估了，残差必须是正的（红点）。当然，还有一个单调的关系
> plot(predict(reg),residuals(reg) )
点正好在一条平滑的曲线上，是预测值的一个函数。
点击标题查阅往期内容
数据分享|R语言逻辑回归、Naive Bayes贝叶斯、决策树、随机森林算法预测心脏病
左右滑动查看更多
01
02
03
04
现在，从这个图上看不出什么。我们运行一个局部加权回归，看看发生了什么。
lowess(predict(reg),residuals(reg)
这是我们在第一个诊断函数中所得到的。但在这个局部回归中，我们没有得到置信区间。我们可以假设图中水平线非常接近虚线吗？
segments( fit+2* se.fit, fit-2* se.fit )
可以。这个图表表明什么？
事实上，该图可能不是观察残差的唯一方法。如果不把它们与两个解释变量绘制在一起呢？例如，如果我们将残差与第二个解释变量作对比，我们会得到
> lines(lowess(X2,residuals(reg))
对照一下，该图与我们之前的图相似。
如果我们现在看一下与第一个解释变量的关系：
> lines(lowess(X1,residuals(reg))
因为我们可以清楚地识别出二次方的影响。这张图表明，我们应该对第一个变量的平方进行回归。而且可以看出它是一个重要的影响因素。
现在，如果我们运行一个包括这个二次方效应的回归，我们会得到什么。
glm(Y~X1+I(X1^2)+X2,family=binomial)
看起来和第一个逻辑回归模型结果类似。那么本文的观点是什么？观点是
-
图形可以用来观察可能出错的地方，对可能的非线性转换有更多的直觉判断。
-
图形不是万能的，从理论上讲，残差线应该是一条水平的直线。但我们也希望模型尽可能的简单。所以，在某个阶段，我们也许应该依靠统计检验和置信区间。
点击文末 “阅读原文”
获取全文完整资料。
本文选自《R语言用局部加权回归(Lowess)对logistic逻辑回归诊断和残差分析》。
点击标题查阅往期内容
【视频】CNN（卷积神经网络）模型以及R语言实现回归数据分析
PYTHON用时变马尔可夫区制转换（MARKOV REGIME SWITCHING）自回归模型分析经济时间序列
数据分享|R语言逻辑回归、Naive Bayes贝叶斯、决策树、随机森林算法预测心脏病
R语言逻辑回归logistic模型分析泰坦尼克titanic数据集预测生还情况R语言是否对二分连续变量执行逻辑回归
R语言用lme4多层次（混合效应）广义线性模型（GLM），逻辑回归分析教育留级调查数据
R语言随机森林RandomForest、逻辑回归Logisitc预测心脏病数据和可视化分析
R语言基于Bagging分类的逻辑回归(Logistic Regression)、决策树、森林分析心脏病患者
R语言逻辑回归（Logistic回归）模型分类预测病人冠心病风险
R语言用局部加权回归(Lowess)对logistic逻辑回归诊断和残差分析R语言用主成分PCA、 逻辑回归、决策树、随机森林分析心脏病数据并高维可视化
R语言用线性模型进行臭氧预测：加权泊松回归，普通最小二乘，加权负二项式模型，多重插补缺失值R语言Bootstrap的岭回归和自适应LASSO回归可视化
R语言中回归和分类模型选择的性能指标
R语言多元时间序列滚动预测：ARIMA、回归、ARIMAX模型分析
R语言用lme4多层次（混合效应）广义线性模型（GLM），逻辑回归分析教育留级调查数据
R语言计量经济学：虚拟变量(哑变量)在线性回归模型中的应用
R语言 线性混合效应模型实战案例
R语言混合效应逻辑回归（mixed effects logistic）模型分析肺癌数据
R语言如何用潜类别混合效应模型（LCMM）分析抑郁症状
R语言基于copula的贝叶斯分层混合模型的诊断准确性研究
R语言建立和可视化混合效应模型mixed effect model
R语言LME4混合效应模型研究教师的受欢迎程度
R语言 线性混合效应模型实战案例
R语言用Rshiny探索lme4广义线性混合模型（GLMM）和线性混合模型（LMM）
R语言基于copula的贝叶斯分层混合模型的诊断准确性研究
R语言如何解决线性混合模型中畸形拟合(Singular fit)的问题
基于R语言的lmer混合线性回归模型
R语言用WinBUGS 软件对学术能力测验建立层次（分层）贝叶斯模型
R语言分层线性模型案例
R语言用WinBUGS 软件对学术能力测验（SAT）建立分层模型
使用SAS，Stata，HLM，R，SPSS和Mplus的分层线性模型HLM
R语言用WinBUGS 软件对学术能力测验建立层次（分层）贝叶斯模型
SPSS中的多层（等级）线性模型Multilevel linear models研究整容手术数据
用SPSS估计HLM多层（层次）线性模型模型