回归应该算得上统计分析中最常用的建模手段，要判断最终得到的模型是否准确，还需要进行关键的一步—— 回归诊断 。用过 R 语言进行回归分析的小伙伴应该知道，base 包里的 plot() 函数可以直接绘制诊断结果，今天小编介绍一个更方便的工具： Lindia包[1] ， 使用这个包可以获得更详细的回归诊断结果，语法也非常简单 ，下面跟着小编一起学习吧～

Lindia 包简介

Lindia 是 ggplot2 的扩展，提供更详细的线性模型诊断结果的可视化功能。Lindia 中的所有函数输入都必须为 lm 对象（包括 lm() 和 glm() ），并以 ggplot 对象的形式返回线性诊断图。

引言

这里以 Cars93 数据集为例，建立一个线性回归模型。

library(MASS)
data(Cars93)
cars_lm <- lm(Price ~ Passengers + Length + RPM, data = Cars93)

首先，介绍一下使用 base 包中的 plot() 函数进行回归诊断

par(mfrow = c(2,2))
plot(cars_lm)

【🌟🌟🌟】 这四幅图的含义为[2] ： (1) Residuals vs Fitted：残差和拟合值。 如果红线能很好地拟合大部分散点且是近乎水平的，则说明自变量和因变量是线性相关的。若呈较明显的曲线，则应考虑可能存在非线性关系。 (2) Normal Q-Q：QQ图，用来检验正态性。 若满足正态假设，那么图上的点应该落在呈45度角的直线上；若不是如此，那么就违反了正态性的假设。 (3) Scale - Location：检验方差齐性。 若满足假设，则散点会均匀地分布在水平线上。 (4) Residuals - Leverage：判断是否有极端值。 判断依据是 cook's distance（库克距离），在红色等高线外的点可以考虑将其删除。

方法介绍

下面正式介绍今天的主角： Lindia 包，该包来源于 github ，使用其中的 gg_diagnose() 函数实现诊断结果全输出：

# 安装包
devtools::install_github("yeukyul/lindia")
library(lindia)