全子集回归来选出最优的模型

全子集回归,即基于全模型获得可能的模型子集,并根据AIC值等对子集排序以从中获取最优子集。

重新拟合模型

优化模型

avg(ms1, subset = delta < 10,fit=T,rank = "AIC")

残差图

plot(pre-numberFaults)

计算R-squre值，查看模型拟合情况

Rsquare=ssr/sst

从逻辑回归结果来看，模型中部分自变量对因变量的影响较为明显，达到了0.01的显著性水平，具有一定的理论意义。然而从AIC的值来看，达到了4024.881，数值较大，说明模型的拟合度较差，有进一步改进的空间。一般认为计算条件数kappa(X)，k<100,说明共线性程度小，如果1001000，存在严重的多重共线性。从结果来看，kappa值远远大于1000，因此判断该模型存在严重的共线性问题，即线性回归模型中的解释变量之间由于存在精确相关关系或高度相关关系而使模型估计失真或难以估计准确。changintemp,changinrainfall,windspeedmin,lightningcategory ，rainfallMax之间存在较高的相关关系会对模型的拟合失真并且难以用以估计和预测，因此，删掉这些变量后重新对模型进行拟合。删除部分共线性程度高的变量后可以看到模型的AIC降低了，因此，模型的拟合程度提高了。大部分样本的cook’ distance距离在正常范围内，392,624,622号样本的cook’ distance较大，可能会对模型产生较大的影响。