적합 다중 회귀 모형을 시각화하는 방법은 무엇입니까?

42

현재 여러 회귀 분석으로 논문을 작성하고 있습니다. 일 변량 선형 회귀를 시각화하는 것은 산점도를 통해 쉽지만 여러 선형 회귀를 시각화하는 좋은 방법이 있는지 궁금합니다.

나는 현재 종속 변수 대 1 독립 변수, 2 대 독립 변수 등과 같은 산점도를 플롯하고 있습니다. 제안은 정말 감사하겠습니다.

regression data-visualization multiple-regression

— 숀 왕
소스

6

한 가지 가능성 : 변수 도표 추가

— Glen_b

1

가능한 관심 분야 : R의 잔차 그림으로 예측 됨 .

— chl

1

참고 항목 effects에서 패키지R

— 분석 재개 모니카 - 피터 Flom에

3

이 설명을 먼저 요청해야한다고 생각합니다. 여러 예측 변수 (x, IV)로 선형 회귀를 의미합니까-다중 회귀이거나 다중 반응 (y, DV)으로 선형 회귀를 의미합니까? 다변량 회귀 ?

— Glen_b

24

현재 전략에는 아무런 문제가 없습니다. 당신이 가진 다중 회귀 모델이있는 경우 에만 두 설명 변수를 당신은 표시 예측 회귀면,하지만 대부분의 소프트웨어가 할이 쉽게하지 않는 차원 틱 플롯을 시도 할 수 있습니다. 또 다른 가능성은 coplot ( R의 coplot 또는 이 pdf 참조 )을 사용하는 것인데 , 이는 3 개 또는 4 개의 변수를 나타낼 수 있지만 많은 사람들이이를 읽는 방법을 모릅니다. 그러나 본질적으로 상호 작용이 없으면 와 사이 의 예측 된 한계 관계는 예측 된 조건부 와 같습니다. $x_j$ $y$ 다른 변수 의 특정 수준에서 관계 (수직 또는 수직 이동) . 따라서 다른 모든 변수를 평균으로 설정하고 예측 된 선 찾아 그 선을 그릴 수 있습니다 쌍 의 산점도 . 또한 중요하지 않다고 생각하면 일부 플롯을 포함하지 않을 수도 있지만, 와 같은 플롯으로 끝납니다 . (예를 들어, 단일 관심 변수 및 일부 제어 변수를 갖는 다중 회귀 모델을 갖는 것이 일반적이며 첫 번째 플롯 만 제공합니다). $x$ $x$ $\hat y = \hat\beta_0 + \cdots + \hat\beta_j x_j + \cdots + \hat\beta_p \bar x_p$ $(x_j, y)$ $p$

반면에 교호 작용 이 있는 경우 가장 상호 작용하는 변수 중 가장 관심있는 교호 변수를 파악하고 해당 변수와 반응 변수 사이의 예측 된 관계를 나타내지 만 같은 줄에 여러 줄이 있어야합니다. 다른 상호 작용 변수는 각 라인마다 다른 레벨로 설정됩니다. 일반적인 값은 상호 작용 변수 의 평균 및 1 SD입니다. 보다 명확하게하기 위해 과 두 변수 만 있고 이들 사이에 상호 작용이 있고 이 연구의 초점이라고 생각하면 다음 세 줄로 단일 플롯을 만들 수 있습니다. $\pm$ $x_1$ $x_2$ $x_1$

\begin{aligned} \hat{y} & = {\hat{β}}_{0} + {\hat{β}}_{1} x_{1} + {\hat{β}}_{2} ({\bar{x}}_{2} - s_{x_{2}}) + {\hat{β}}_{3} x_{1} ({\bar{x}}_{2} - s_{x_{2}}) \\ \hat{y} & = {\hat{β}}_{0} + {\hat{β}}_{1} x_{1} + {\hat{β}}_{2} {\bar{x}}_{2} + {\hat{β}}_{3} x_{1} {\bar{x}}_{2} \\ \hat{y} & = {\hat{β}}_{0} + {\hat{β}}_{1} x_{1} + {\hat{β}}_{2} ({\bar{x}}_{2} + s_{x_{2}}) + {\hat{β}}_{3} x_{1} ({\bar{x}}_{2} + s_{x_{2}}) \end{aligned}

$\begin{align} \hat y &= \hat\beta_0 + \hat\beta_1 x_1 + \hat\beta_2 (\bar x_2 - s_{x_2}) + \hat\beta_3 x_1(\bar x_2 - s_{x_2}) \\ \hat y &= \hat\beta_0 + \hat\beta_1 x_1 + \hat\beta_2 \bar x_2 \quad\quad\quad\ + \hat\beta_3 x_1\bar x_2 \\ \hat y &= \hat\beta_0 + \hat\beta_1 x_1 + \hat\beta_2 (\bar x_2 + s_{x_2}) + \hat\beta_3 x_1(\bar x_2 + s_{x_2}) \end{align}$

— gung-복직 모니카
소스

9

다음 은 회귀 결과를 3 차원으로 표시 하기위한 웹 기반 대화식 도구입니다 .

이 3 차원 도표는 하나의 종속 변수와 두 개의 설명 변수와 함께 작동합니다. 절편을 0으로 설정할 수도 있습니다 (즉, 회귀 방정식에서 절편을 제거).

그래픽에는 WebGL 가능 브라우저가 필요합니다. 모든 주요 데스크탑 브라우저의 최신 버전은 WebGL을 지원합니다.

— 안드로이드 3D
소스

사이트는 이제 다운 - 나는 GoDaddy와 방문 페이지 수

— 스핀 업을

4

데이터 대신 모델 을 시각화하기 위해 JMP 는 대화식 "프로파일 러"플롯을 사용합니다. 정적 뷰가 있습니다.

그리고 여기에 동적 뷰에 대한 링크가 있습니다 .

산점도 아이디어와 유사하며 결합 할 수 있습니다. 아이디어는 각 프레임이 해당 X 및 Y 변수에 대한 모델 조각을 표시하고 다른 X 변수는 표시된 값에서 일정하게 유지된다는 것입니다. 대화식 버전에서는 빨간색 세로선을 끌어 X 값을 변경할 수 있습니다.

공개 : 저는 JMP 개발자이므로 편견없는 보증으로 여기지 마십시오.

— an
소스

2

예측 변수의 잔차를 사용하여 종속 변수의 잔차를 플로팅하는 것이 중요하지 않습니까? 변수 사이의 실제 관계를 나타 내기 때문에 그렇게해야한다고 생각했지만 권장되는 것은 거의 없습니다.

— Agus Camacho

1

@AgusCamacho, 여전히 관심이 있다면 새로운 질문을해야합니다.

— gung-복직 모니카