Je pense que c'est l'une des parties les plus difficiles lors d'une analyse de régression. J'ai également du mal avec la plupart des interprétations (en particulier, les diagnostics binomiaux sont fous!).
Je viens de tomber sur ce post
http://www.r-bloggers.com/model-validation-interpreting-residual-plots/
qui a également mis en lien
http://statmaster.sdu.dk/courses/st111/module04/index.html SECTION00020000000000000000
ce qui m'aide le plus, c'est de tracer les résidus par rapport à tous les paramètres prédictifs inclus ET non inclus dans le modèle. Cela signifie également ceux qui ont été abandonnés auparavant pour des raisons de multicolinéarité. Pour ces boîtes à moustaches, les diagrammes de dispersion conditionnels et les diagrammes de dispersion normaux sont excellents. cela aide à repérer les erreurs possibles
Dans "Forest Analytics with R" (série UseR), vous trouverez de bonnes explications sur la manière d’interpréter les résidus pour les modèles à effets mixtes (et également pour glms). Bonne lecture! http://www.springer.com/statistics/life+sciences,+medicine+%26+health/book/978-1-4419-7761-8
Il y a un jour, j'ai pensé à un site Web qui pourrait collecter des schémas résiduels que les utilisateurs peuvent voter pour être «ok» et pour être «pas ok». mais je n'ai jamais trouvé ce site;)
Cette question est assez ancienne, mais j’ai pensé qu’il serait utile d’ajouter que, depuis récemment, vous pouvez utiliser le package DHARMa R pour transformer les résidus de n’importe quel GL (M) M en un espace normalisé. Une fois que cela est fait, vous pouvez évaluer / tester visuellement les problèmes résiduels tels que les écarts par rapport à la distribution, la dépendance résiduelle à un prédicteur, l'hétéroscédasticité ou l'autocorrélation de manière normale. Voir la vignette du paquet pour des exemples élaborés, ainsi que d'autres questions sur le CV ici et ici .
la source