对数变换残差的 R 绝对值
R absolute value of residuals with log transformation
我在 R 中有一个形式为
的线性模型
lm(log(num_encounters) ~ log(distance)*sampling_effort, data=df)
我想解释残差，但要让它们回到 num_encounters 的规模。我见过 residuals.lm(x, type="working") 和 residuals.lm(x, type="response") 但我不确定它们返回的值。例如，我是否仍需要使用 exp() 将残差值恢复到 num_encounters 范围内？或者他们已经达到了那个规模？我想在直方图中和之后的栅格图中绘制这些绝对值。
编辑：
基本上我的困惑是以下代码产生了 3 个不同的直方图，而我期望前 2 个是相同的。
df$predicted <- exp(predict(x, newdata=df))
histogram(df$num_encounters-df$predicted)
histogram(exp(residuals(x, type="response")))
histogram(residuals(x, type="response"))
I want to interpret the residuals but get them back on the scale of
num_encounters.
你可以很容易地计算出它们：
mod <- lm(log(num_encounters) ~ log(distance)*sampling_effort, data=df)
res <- df$num_encounters - exp(predict(mod))
此外，@Roland 的建议确实是正确且有效的，我的困惑问题只是基本的高中对数代数。
确实，绝对响应残差（在原始因变量的范围内）可以按照@Roland所说的
来计算
mod <- lm(log(num_encounters) ~ log(distance)*sampling_effort, data=df)
res <- df$num_encounters - exp(predict(mod))
如果你想从模型残差中计算它们，你需要考虑对数减法规则。
log(a)-log(b)=log(a/b)
残差是根据原始模型计算的。所以在我的例子中，模型预测 log(num_encounters)。所以残差是log(observed)-log(predicted)。
我想做的是
exp(resid) = exp(log(obs)-log(pred)) = exp(log(obs/pred)) = obs/pred
这显然不是我要找的数字。要从模型响应残差中获取绝对响应残差，这就是我所需要的。
obs-obs/exp(resid)
所以在 R 代码中，您也可以这样做：
mod <- lm(log(num_encounters) ~ log(distance)*sampling_effort, data=df)
abs_resid <- df$num_encounters - df$num_encounters/exp(residuals(mod, type="response"))
这导致与@Roland 描述的方法相同的数字，当然更容易。但至少我的大脑又恢复了正常。
我在 R 中有一个形式为
的线性模型lm(log(num_encounters) ~ log(distance)*sampling_effort, data=df)
我想解释残差，但要让它们回到 num_encounters 的规模。我见过 residuals.lm(x, type="working") 和 residuals.lm(x, type="response") 但我不确定它们返回的值。例如，我是否仍需要使用 exp() 将残差值恢复到 num_encounters 范围内？或者他们已经达到了那个规模？我想在直方图中和之后的栅格图中绘制这些绝对值。
编辑： 基本上我的困惑是以下代码产生了 3 个不同的直方图，而我期望前 2 个是相同的。
df$predicted <- exp(predict(x, newdata=df))
histogram(df$num_encounters-df$predicted)
histogram(exp(residuals(x, type="response")))
histogram(residuals(x, type="response"))
I want to interpret the residuals but get them back on the scale of num_encounters.
你可以很容易地计算出它们：
mod <- lm(log(num_encounters) ~ log(distance)*sampling_effort, data=df)
res <- df$num_encounters - exp(predict(mod))
此外，@Roland 的建议确实是正确且有效的，我的困惑问题只是基本的高中对数代数。
确实，绝对响应残差（在原始因变量的范围内）可以按照@Roland所说的
来计算mod <- lm(log(num_encounters) ~ log(distance)*sampling_effort, data=df)
res <- df$num_encounters - exp(predict(mod))
如果你想从模型残差中计算它们，你需要考虑对数减法规则。
log(a)-log(b)=log(a/b)
残差是根据原始模型计算的。所以在我的例子中，模型预测 log(num_encounters)。所以残差是log(observed)-log(predicted)。
我想做的是
exp(resid) = exp(log(obs)-log(pred)) = exp(log(obs/pred)) = obs/pred
这显然不是我要找的数字。要从模型响应残差中获取绝对响应残差，这就是我所需要的。
obs-obs/exp(resid)
所以在 R 代码中，您也可以这样做：
mod <- lm(log(num_encounters) ~ log(distance)*sampling_effort, data=df)
abs_resid <- df$num_encounters - df$num_encounters/exp(residuals(mod, type="response"))
这导致与@Roland 描述的方法相同的数字，当然更容易。但至少我的大脑又恢复了正常。