আপনি মডেলটি ফিট করার পরে, ভবিষ্যদ্বাণীযুক্ত ত্রুটিগুলি যেমন কোনও মানক কৌশলগুলি অর্থবোধক হয় তা ব্যবহার করে অন্যের সাথে তুলনা করার জন্য কেন পরিবর্তনশীল হিসাবে ব্যবহার করবেন না? এটি অবিচ্ছিন্ন পরিবর্তনশীল হওয়ার সুবিধা রয়েছে যাতে আপনি এমনকি ছোট পার্থক্যও দেখতে পান। উদাহরণস্বরূপ, লোকেরা 1.4 এবং 0.6 এর প্রত্যাশিত সংখ্যার মধ্যে পার্থক্য বুঝতে পারবে যদিও তারা উভয়ই এক হয়ে গেছে।
পূর্বাভাসকৃত মানটি কীভাবে দুটি ভেরিয়েবলের উপর নির্ভর করে তার উদাহরণের জন্য আপনি দুটি অক্ষ এবং বর্ণ হিসাবে জটিলতার সময়ের কনট্যুর প্লট করতে পারেন এবং পূর্বাভাসিত ত্রুটিগুলি দেখানোর জন্য সংশ্লেষ; এবং উপরে প্রকৃত ডেটা পয়েন্টগুলি সুপারমোজ করুন।
নীচের প্লটটির জন্য কিছু মসৃণতা এবং কিংবদন্তি প্রয়োজন তবে এটি একটি সূচনা পয়েন্ট হতে পারে।
একটি বিকল্প হ'ল সংযুক্ত ভেরিয়েবল প্লট বা আংশিক রিগ্রেশন প্লট, traditionalতিহ্যবাহী গাউসিয়ান প্রতিক্রিয়া রিগ্রেশন থেকে আরও পরিচিত। এগুলি গাড়ির লাইব্রেরিতে প্রয়োগ করা হয়। কার্যকরভাবে প্রতিক্রিয়াটির বাকী কী রয়েছে এবং ব্যাখ্যাযোগ্য ভেরিয়েবলগুলির মধ্যে একটির কী রয়েছে তার মধ্যে সম্পর্কটি প্রদর্শন করুন, বিশ্লেষণাত্মক ভেরিয়েবলগুলি বাদ দেওয়ার পরে এবং প্রতিক্রিয়াশীল ভেরিয়েবল উভয় ক্ষেত্রেই তাদের অবদান রয়েছে। আমার অভিজ্ঞতার মধ্যে বেশিরভাগ অ-পরিসংখ্যানক শ্রোতাদের এগুলি প্রশংসা করা কিছুটা কঠিন বলে মনে হয় (অবশ্যই আমার দুর্বল ব্যাখ্যা দিয়ে পারে)।
#--------------------------------------------------------------------
# Simulate some data
n<-200
time <- rexp(n,.01)
complexity <- sample(1:5, n, prob=c(.1,.25,.35,.2,.1), replace=TRUE)
trueMod <- exp(-1 + time*.005 + complexity*.1 + complexity^2*.05)
defects <- rpois(n, trueMod)
cbind(trueMod, defects)
#----------------------------------------------------------------------
# Fit model
model <- glm(defects~time + poly(complexity,2), family=poisson)
# all sorts of diagnostic checks should be done here - not shown
#---------------------------------------------------------------------
# Two variables at once in a contour plot
# create grid
gridded <- data.frame(
time=seq(from=0, to=max(time)*1.1, length.out=100),
complexity=seq(from=0, to=max(complexity)*1.1, length.out=100))
# create predicted values (on the original scale)
yhat <- predict(model, newdata=expand.grid(gridded), type="response")
# draw plot
image(gridded$time, gridded$complexity, matrix(yhat,nrow=100, byrow=FALSE),
xlab="Time", ylab="Complexity", main="Predicted average number of defects shown as colour and contours\n(actual data shown as circles)")
contour(gridded$time, gridded$complexity, matrix(yhat,nrow=100, byrow=FALSE), add=TRUE, levels=c(1,2,4,8,15,20,30,40,50,60,70,80,100))
# Add the original data
symbols(time, complexity, circles=sqrt(defects), add=T, inches=.5)
#--------------------------------------------------------------------
# added variable plots
library(car)
avPlots(model, layout=c(1,3))