Valideringsplottar efter modellering + varians
I den föregående övningen fann vi att int_rate skiljer sig åt beroende på grade. Nu bör vi validera modellen – för linjär regression innebär det att vi granskar plottarna Residuals vs. Fitted och Normal Q-Q.
Om du anropar plot() på ett modellobjekt i R ritas dessa två plottar automatiskt ut, tillsammans med ytterligare två. Du tolkar plottarna för att utvärdera hur väl modellen passar data. Vi gick igenom hur man gör detta i videon.
Ett annat antagande för ANOVA och linjär modellering är homogenitet i varians. Homogenitet betyder "likhet", och här innebär det att variansen för int_rate är densamma för varje nivå av grade. Vi kan testa för variationshomogenitet med bartlett.test(), som tar en formel och en datamängd som indata.
Den här övningen är en del av kursen
Experimentell design i R
Övningsinstruktioner
- Kör den första kodraden med
par()så att plottarna visas i ett 2x2-rutnät. - Anropa
plot()pågrade_aov(som redan har skapats åt dig) för att generera modellens diagnostikplottar. - Testa för variationshomogenitet med
bartlett.test().
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# For a 2x2 grid of plots:
par(mfrow=c(___, ___))
# Plot grade_aov
___
# Bartlett's test for homogeneity of variance
___