8.6 选择“最佳”的回归模型

8.6.1 模型比较

用基础安装中的anova()函数可以比较两个嵌套模型的拟合优度。所谓嵌套模型，即它的一

些项完全包含在另一个模型中

用anova()函数比较

> states<-as.data.frame(state.x77[,c("Murder","Population","Illiteracy","Income","Frost")])

> fit1<-lm(Murder~Population+Illiteracy+Income+Frost,data=states)

>fit2<-lm(Murder~Population+Illiteracy,data=states)

> anova(fit2,fit1)

Analysis of Variance Table

Model 1: Murder ~ Population + Illiteracy

Model 2: Murder ~ Population + Illiteracy + Income +Frost

Res.Df    RSS Df Sum of Sq      F Pr(>F)

1     47289.25                          

2     45289.17  2 0.078505 0.0061 0.9939

AIC（AkaikeInformation Criterion，赤池信息准则）也可以用来比较模型，它考虑了模型的

统计拟合度以及用来拟合的参数数目。AIC值越小的模型要优先选择，它说明模型用较少的参数

获得了足够的拟合度。

> AIC(fit1,fit2)

df  AIC

fit1  6 241.6429

fit2  4 237.6565

8.6.2变量选择

1. 逐步回归stepwise method

逐步回归中，模型会一次添加或者删除一个变量，直到达到某个判停准则为止。向前

逐步回归（forward stepwise）每次添加一个预测变量到模型中，直到添加变量不会使模型有所改

进为止。向后逐步回归（backward stepwise）从模型包含所有预测变量开始，一次删除一个变量

直到会降低模型质量为止。而向前向后逐步回归（stepwise stepwise，通常称作逐步回归

），结合了向前逐步回归和向后逐步回归的方法，变量每次进入一个，但是每一步

中，变量都会被重新评价，对模型没有贡献的变量将会被删除，预测变量可能会被添加、删除好

几次，直到获得最优模型为止。。MASS包中的stepAIC()函数可以实现

逐步回归模型（向前、向后和向前向后），依据的是精确AIC准则。

> library(MASS)

>fit1<-lm(Murder~Population+Illiteracy+Income+Frost,data=states)

>stepAIC(fit1,direction="backward")

Start:  AIC=97.75

Murder ~ Population +Illiteracy + Income + Frost

        Df Sum of Sq    RSS    AIC

- Frost       1    0.021 289.19  95.753

- Income      1    0.057 289.22  95.759

<none>                    289.17  97.749

- Population  1   39.238 328.41 102.111

- Illiteracy  1  144.264 433.43 115.986

Step:  AIC=95.75

Murder ~ Population +Illiteracy + Income

        Df Sum of Sq    RSS    AIC

- Income      1    0.057 289.25  93.763

<none>                    289.19  95.753

- Population  1    43.658332.85 100.783

- Illiteracy  1  236.196 525.38 123.605

Step:  AIC=93.76

Murder ~ Population +Illiteracy

        Df Sum of Sq    RSS    AIC

<none>                    289.25  93.763

- Population  1   48.517 337.76  99.516

- Illiteracy  1   299.646588.89 127.311

Call:

lm(formula = Murder ~Population + Illiteracy, data = states)

Coefficients:

(Intercept)   Population  Illiteracy

1.6515497   0.0002242    4.0807366

2. 全子集回归

全子集回归可用leaps包中的regsubsets()函数实现。你能通过R平方、调整R平方或

Mallows Cp统计量等准则来选择“最佳”模型

> library("leaps", lib.loc="d:/ProgramFiles/R/R-3.1.3/library")

>leaps<-regsubsets(Murder~Population+Illiteracy+Income+Frost,data=states,nbest=4)

> plot(leaps,scal="adjr2")

> library(car)

> subsets(leaps,statistic="cp",main="cpplot for all subsets regression")

> abline(1,1,lty=2,col="red")

8.7 深层次分析

8.7.1 交叉验证

所谓交叉验证，即将一定比例的数据挑选出来作为训练样本，另外的样本作保留样本，先在

训练样本上获取回归方程，然后在保留样本上做预测。由于保留样本不涉及模型参数的选择，该

样本可获得比新数据更为精确的估计。在k 重交叉验证中，样本被分为k个子样本，轮流将k1个子样本组合作为训练集，另外1个子样本作为保留集。这样会获得k 个预测方程，记录k 个保留样本的预测表现结果，然后求其平均值。[当n 是观测总数目，k 为n 时，该方法又称作刀切法（jackknifing）]bootstrap 包中的crossval() 函数可以实现k 重交叉验证。

fit<-lm(mpg~hp+wt+hp:wt,data=mtcars)

shrinkage<-function(fit,k=10){

require(bootstrap)

theta.fit<-function(x,y){lsfit(x,y)}

theta.predict<-function(fit,x){cbind(1,x)%*%fit$coef}

x<-fit$model[,2:ncol(fit$model)]

y<-fit$model[,1]

results<-crossval(x,y,theta.fit,theta.predict,ngroup=k)

r2<-cor(y,fit$fitted.values)^2

r2cv<-cor(y,results$cv.fit)^2

cat("original r-square=",r2,"\n")

cat(k,"fold cross-validated r-square =",r2cv,"\n")

cat("change=",r2-r2cv),"\n")

}

求关注 求扩散