二值拟合线图的拟合和诊断

解释

在二元 Logistic 回归中，响应变量只有两个可能值，如存在或不存在某种特定疾病。事件概率是某一事件的给定因子或协变量模式的响应为 1 的可能性（例如，50 岁以上的妇女患上二型糖尿病的可能性）。

试验中的每个性能都称为一次试验。例如，如果投掷硬币 10 次，并记录了印有头像那面朝上的次数，则您执行了 10 次试验。如果试验是独立的而且可能性相等，则可以通过将事件数量除以试验总数来估计事件概率。例如，如果在 10 次硬币投掷中有 6 次印有头像那面朝上，则估计的事件概率（印有头像那面朝上的投掷）为：

事件数 ÷ 试验数 = 6 ÷ 10 = 0.6

在顺序和名义 Logistic 回归中，响应变量可能具有三种或更多类别。事件概率是给定因子或协变量模式具有特定响应类别的可能性。累积事件概率是给定因子或协变量模式的响应落在每个可能的类别 k 或以下类别的可能性，其中 k 等于响应类别 1…k。

解释

绘制残差图可确定模型是否适用且符合回归的假设。检查残差可以提供有关模型对数据的拟合优度的有用信息。一般而言，残差应当是随机分布的，而且没有明显的模式和异常值。如果 Minitab 确定数据包含异常观测值，则会在输出的“异常观测值的拟合与诊断”表中确定这些观测值。有关异常值的更多信息，请转到异常观测值。

解释

使用标准化残差帮助您检测异常值。大于 2 和小于 −2 的标准化残差通常被视为较大值。“异常观测值的拟合与诊断”表使用“R”来标识这些观测值。如果分析表明有许多异常观测值，那么模型通常会出现严重的失拟。也就是说，该模型不能充分说明因子与响应变量之间的关系。有关更多信息，请转到异常观测值。

标准化残差很有用，因为原始残差可能不是良好的异常值指示符。每个原始残差的变异因与其关联的 X 值而异。尺度不同使其难以评估原始残差的大小。标准化残差可以通过将不同的变异转换为公共尺度来解决此问题。