This section is dedicated to studyi

This section is dedicated to studying the appropriateness of the model. Do the model assumptions hold? This is done via various diagnostics, such assessing the distribution of the residuals.

Let us begin with a bit of a review of Linear Regression diagnostics. The standard linear regression model is given by:

yi∼N(μi,σ2)yi∼N(μi,σ2)
μi=xTiβμi=xiTβ
The two crucial features of this model are

the assumed mean structure, μi=xTiβμi=xiTβ , and
the assumed constant variance σ2 (homoscedasticity).
The most common diagnostic tool is the residuals, the difference between the estimated and observed values of the dependent variable. There are other useful regression diagnostics, e.g. measures of leverage and influence, but for now our focus will be on the estimated residuals.

The most common way to check these assumptions is to fit the model and then plot the residuals versus the fitted values y^i=xTiβ^y^i=xiTβ^ .

Hasil (Bahasa Indonesia) 2:

Bagian ini didedikasikan untuk mempelajari kelayakan model. Apakah asumsi model yang tahan? Hal ini dilakukan melalui berbagai diagnostik, seperti menilai distribusi residual. Mari kita mulai dengan sedikit review dari Linear diagnostik Regresi. Model regresi linear standar diberikan oleh: yi~N (μi, σ2) yi~N (μi, σ2) μi = xTiβμi = xiTβ Dua fitur penting dari model ini adalah struktur mean diasumsikan, μi = xTiβμi = xiTβ, dan diasumsikan konstan varian σ2 (homoscedasticity). alat diagnostik yang paling umum adalah residual, perbedaan antara nilai estimasi dan diamati dari variabel dependen. Ada diagnostik regresi yang berguna lainnya, misalnya tindakan leverage dan pengaruh, tapi untuk saat ini fokus kami akan berada di residual diperkirakan. Cara yang paling umum untuk memeriksa asumsi ini adalah untuk menyesuaikan model dan kemudian plot residual terhadap nilai-nilai pas y ^ i = xTiβ ^ y ^ i = xiTβ ^.