Vcov(object)

Возвращает матрицу ковариации дисперсии основных параметров подогнанного объекта модели.

4. Дисперсионный анализ и сравнение модели

Функция подгонки модели aov(формула, data=data.frame) работает на самом простом уровне очень похожим способом как функция lm(), и большинство универсальных функций, перечисленных в таблице в Разделе 11.3 [Универсальные функции для извлечения информацию о модели].

Нужно отметить, что дополнительно aov() позволяет анализировать модели с множественными слоями ошибок, такими как рисунками разделенных экспериментов, или сбалансированные неполноблочные планы с восстановлением межблочной информации. Формула модели:

response ~ mean.formula + Error(strata.formula)

указывает на многослойный эксперимент с ошибками слоев определенными strata.formula. В самом простом случае strata.formula - просто фактор, когда определяет два слоя эксперимента, а именно, между и внутри уровней фактора.

Например, со всеми определенными переменными факторами, формула модели выглядит следующим образом:

> fm <- aov(yield ~ v + n*p*k + Error(farms/blocks), data=farm.data)

и обычно используется для описания эксперимента со средней модели

v + n*p*k

и тремя слоями ошибок, а именно: "между farms", "внутри farms, между bloks" и "в рамках blocks".

1. Таблицы anova

]

Заметим также, что анализ дисперсионных таблиц (или таблицы) выполняется для последовательности подогнанных моделей. Суммы квадратов показывают уменьшение суммы квадратов остатков в результате включения конкретного параметра в модель в определенное место последовательности. Следовательно, только для ортогональных экспериментов порядок включения будет несущественным.

Для многослойного эксперимента начинают процедуру проекцией отклика на слои ошибки, по порядку, и затем подгоняют модельное среднее для каждой проекции. Более подробную информацию см. Chambers & Hastie (1992).

Более гибкую альтернативу полной таблице ANOVA по умолчанию, для сравнения двух или более моделей можно непосредственно использовать функцию anova().

> anova(fitted.model.1, fitted.model.2, ...)

В результате отображается таблица различий ANOVA между подогнанными моделями, при подгонке по порядку. Подогнанные модели сравниваются, конечно, как правило, в иерархической последовательности. Это не дает информацию, отличную от способа по умолчанию, а просто проще для понимания и контроля.

5. Обновление подогнанных моделей

Функция update() в значительной степени функция для удобства, которая подгоняет модель с отличиями от ранее подогнанной обычно только несколькими дополнительными или удаленными параметрами. Ее синтаксис:

> new.model <- update(old.model, new.formula)

В new.formula специальное имя, состоящее из точки '.', которая используется для обозначения “соответствующей части старой формулы модели”. Например,

> fm05 <- lm(y ~ x1 + x2 + x3 + x4 + x5, data = production)

> fm6 <- update(fm05, . ~ . + x6)

> smf6 <- update(fm6, sqrt(.) ~ .)

подгоняет множественную регрессию с пятью случайным переменным (по-видимому) из фрейма данных production, подгоняет дополнительную модель, включая шестой регрессор, и подгоняет разновидность модели, где к отклику применили преобразование квадратного корня.

Заметим особенно, что, если data = параметр специфицируется в исходном вызове функции подгонки модели, то эта информация передана через подогнанный объект модели в update() и его союзники.

Имя '.' может также использоваться в других контекстах, но с немного отличающимся значением. Например

> fmfull <- lm(y ~ . , data = production)

подогнал бы модели откликом y и переменными регрессоров все другие переменные во фреймах данных production.

Другие функции для исследования дополнительных последовательностей моделей являются add1(), drop1() и andstep(). Имена их дают указание на цель их использования, но для полного изложения см. онлайновую справку.