Regressionsvoraussetzungen mit R testen

Wie testen Sie die Voraussetzungen für eine lineare Regression bzw. multiple Regression in R? Dieses Video-Tutorial zeigt Ihnen mit konkreten R-Befehlen auf Basis verschiedener Packages, wie Sie die nötigen Regressionsannahmen in R testen können.

Meine STATISTIKBERATUNG:
https://www.regorz-statistik.de/inhal...

INHALT:

Hier werden die folgenden Verfahren zum Test von Regressionsvoraussetzungen gezeigt:

Homoskedastizität
Die Homoskedastizität in einer linearen Regression mit R kann man sowohl graphisch prüfen (Streudiagramm vorhergesagte Werte und Residuen) als auch mit einem Hypothesentest, z.B. dem Breusch-Pagan-Test.

Normalverteilung
Wenn Sie in R die Normalverteilung testen, bzw. genauer die Normalverteilung der Residuen, können Sie das auf mehrere graphische und numerische Methoden tun.
Als graphische Tests kommen vor allem in Frage:
Histogramm zur Normalverteilung
QQ-Plot
Als zahlenmäßige Tests kommen in Frage:
Shapiro-Wilk-Test
Schiefe und Kurtosis
Agostino-Test und Anscombe-Test (für Schiefe und Kurtosis)

Linearität
Wenn Sie die Linearität prüfen in R, können Sie Streudiagramme betrachten, Sie können auch einen Hypothesentest auf Linearität durchführen, z.B. den Rainbow-Test

Multikollinearität
Die Abwesenheit starker Multikollinearität prüfen Sie über Varianzinflationsfaktoren (VIF).

Ausreißer
Um Ausreißer in R zu bestimmen, gibt es viele verschiedene diagnostische Verfahren. Wenn ich Ausreißer in R erkennen möchte, verwende ich vor allem die folgenden populären Kennwerte:
Studentisierte Residuen
Cook's Distanz
Leverage-Werte
DfBetaS

Die Voraussetzungen Unkorreliertheit/Unabhängigkeit der Residuen sowie die geeigneten Skaleneigenschaften (metrische Variablen, Prädiktoren auch binär möglich) hingegen muss man inhaltlich begründen, dafür stehen keine geeigneten Tests zur Verfügung.


Hier finden Sie die Begleitseite zu diesem Tutorial mit allen im Video verwendeten Codebeispielen:
http://www.regorz-statistik.de/inhalt...