tify"> надає інтерактивний засіб для видалення викидів (Кисть на панелі інструментів для графіки ;). Що дозволяє експериментувати з видаленням викидів і що дозволяє відразу ж побачити їх вплив на лінію регресії. Коли це засіб активізована, курсор змінюється на хрестик і поруч з графіком висвічується діалогове вікно Зафарбовування. Ви можете (тимчасово) інтерактивно виключати окремі точки Невідомо з графіка, зазначивши (1) опцію Автопоновлення і (2) поле Вимкнути з блоку Операція; а потім клацнувши мишкою на точці, яку потрібно видалити, поєднавши її з хрестиком курсору. br/>В
Зазначимо, що віддалені точки можна "повернути", клацнувши по кнопці Скасувати все в діалоговому вікні Зафарбовування.
Нормальні ймовірнісні графіки. З вікна Аналіз залишків користувач отримує великій кількості додаткових графіків. Більшість цих графіків більш-менш просто інтерпретуються. Проте, тут ми дамо інтерпретацію нормального імовірнісного графіка, оскільки він найбільш часто використовується при аналізі справедливості припущень регресії. p align="justify"> Як було відмічено раніше, множинна лінійна регресія передбачає лінійну зв'язок між змінними в рівнянні, і нормальним розподілом залишків. Якщо ці припущення порушуються, остаточні висновки можуть виявитися неточними. Нормальний імовірнісний графік залишків наочно показує наявність або відсутність великих відхилень від висловлених припущень. Натисніть кнопку Нормальний в закладці Імовірнісні графіки для побудови цього графіка. br/>В
Цей графік будується наступним чином. Спочатку залишки регресії ранжуються. Для цих упорядкованих залишків обчислюються z-значення (тобто стандартні значення нормального розподілу), виходячи з припущення, що дані мають нормальний розподіл. Ці z-значення відкладаються по осі Y на графіку. p align="justify"> Якщо спостережувані залишки (відкладені по осі X) нормально розподілені, то всі значення будуть розташовуватися на графіку поблизу прямої лінії; на даному графіку всі крапки лежать дуже близько до прямої лінії. Якщо залишки не розподілені нормально, то вони будуть відхилятися від лінії. На цьому графіку також можуть стати помітні викиди. p align="justify"> Якщо наявна модель погано узгоджується з даними, і дані на графіку, схоже, утворюють деяку структуру (наприклад, хмара спостережень приймає S-подібну форму) біля лінії регресії, то, можливо, буде корисним застосування деякого перетворення залежною змінною (наприклад, логарифмування з метою "подужати" хвіст розподілу, тощо; див. також коротке обговорення перетворень Боксу-Кокса та Боксу-Тідвелл в розділі Примітки та технічна інформація). Однак дуже часто дослідники просто приймають свої дані, не намагаючись придивитися до їх структурі або перевірити їх на відповідність своїм припущенням, що призводить до помилкових висновків. З цієї причини одним з основних завдань, що стояла перед розробниками користувацького інтерфейсу модуля Множинно...
