다음은 내가 일반적으로 좋아하는 것입니다 (예를 들어 학교에서 결석 한 학생의 날에 과도하게 분산되어 있고 매우 쉽게 모델링되지 않은 키네 데이터를 사용합니다 MASS).

1. 패키지에서 지원하는 관측 된 주파수와 적합 된 주파수 ( 친숙한 장 2 참조)를 그림으로 표시 하여 원래 카운트 데이터 를 테스트하고 그래프로 작성 하십시오 . 예를 들어 with 및 :vcdRgoodfitrootogram

   library(MASS)
   library(vcd)
   data(quine) 
   fit <- goodfit(quine$Days) 
   summary(fit) 
   rootogram(fit)
   

   또는 어떤 카운트 데이터 모델이 기본인지를 식별하는 데 도움이되는 Ord 플롯 을 사용합니다 (예 : 경사가 양수이고 절편이 양수이면 음 이항 분포를 나타냅니다).

   Ord_plot(quine$Days)

   또는 “XXXXXXness”도표를 사용 하여 XXXXX가 선택 분포입니다 (Poissoness 도표 (Poisson과 대립하여 말하기도 함 type="nbinom")).

   distplot(quine$Days, type="poisson")

2. 일반적인 적합도 측정 (예 : 우도 비율 통계 대 null 모델 등)을 검사합니다.

   mod1 <- glm(Days~Age+Sex, data=quine, family="poisson")
   summary(mod1)
   anova(mod1, test="Chisq")
   

3. 공식적인 테스트 통계 를 보거나 과소 산포 를 확인하십시오 residual deviance/df(예 : 이 답변 참조 ). 여기에 과대 산포가 분명히 있습니다.

   library(AER)
   deviance(mod1)/mod1$df.residual
   dispersiontest(mod1)
   

4. 확인 영향력을 활용 점 으로, 예를 들어, influencePlot에서 car패키지로 제공된다. 물론 Poisson이 나쁜 모델이기 때문에 많은 점이 영향력이 높습니다.

   library(car)
   influencePlot(mod1)
   

5. 카운트 데이터 모델과 제로 팽창 / 허들 대응 물을 피팅하여 제로 인플레이션 을 확인 하고 비교합니다 (일반적으로 AIC). 여기서 0으로 팽창 된 모델은 단순한 포아송보다 더 적합 할 것입니다.

   library(pscl)
   mod2 <- zeroinfl(Days~Age+Sex, data=quine, dist="poisson")
   AIC(mod1, mod2)
   

6. y 축의 잔차 (원시, 편차 또는 스케일)를 x 축의 (로그) 예측 값 (또는 선형 예측 변수)에 플로팅합니다. 여기서 우리는 매우 큰 잔차와 정상으로부터의 이탈 잔차가 실질적으로 벗어난 것을 볼 수 있습니다 (Poisson에 대해 말하기; 편집 : @FlorianHartig의 대답은 이러한 잔차의 정규성이 예상되지 않음을 의미하므로 결정적인 단서가 아닙니다).

   res <- residuals(mod1, type="deviance")
   plot(log(predict(mod1)), res)
   abline(h=0, lty=2)
   qqnorm(res)
   qqline(res)
   

7. 관심이 있다면, 정렬 된 절대 잔차 대 예상 정규 값 Atkinson (1981) 을 플로팅하여 잔차의 정규 확률 절반 을 플로팅 합니다. 특별한 기능은 시뮬레이션 된 / 부트 스트랩 된 신뢰 구간 (표시되지 않음)으로 참조 ‘라인’및 엔벨로프를 시뮬레이션하는 것입니다.

   library(faraway)
   halfnorm(residuals(mod1))
   

8. 카운트 데이터의 로그 선형 모델에 대한 진단 플롯 (친절도 서의 7.2 및 7.7 장 참조). 플롯은 예측 된 값과 관측 된 값을 아마도 일부 간격 추정치와 비교했을 것입니다 (나이 그룹에 대해서만 수행했습니다. 여기서 F3 그룹에서 과대 산포로 인해 추정치와 상당히 멀리 떨어져 있음을 다시 알 수 있습니다. 점 예측 하나의 표준 오류) :±

   ±

   plot(Days~Age, data=quine) 
   prs  <- predict(mod1, type="response", se.fit=TRUE)
   pris <- data.frame("pest"=prs[[1]], "lwr"=prs[[1]]-prs[[2]], "upr"=prs[[1]]+prs[[2]])
   points(pris$pest ~ quine$Age, col="red")
   points(pris$lwr  ~ quine$Age, col="pink", pch=19)
   points(pris$upr  ~ quine$Age, col="pink", pch=19)
   

이를 통해 분석에 대한 유용한 정보를 대부분 얻을 수 있으며 대부분의 단계는 모든 표준 카운트 데이터 분포 (예 : Poisson, Negative Binomial, COM Poisson, Power Laws)에 적용됩니다.

답변