R中规范曲线拟合的主力是 lm() ， glm() 和 nls() . 对我而言，拟合优度是模型选择中较大问题的一个子问题 . 事实上，错误地使用拟合优度（例如，通过逐步回归）可能会产生严重错误的模型（参见Harrell 's book on 622648 ). Rather than discussing the issue from scratch, I recommend Harrell'的书籍 lm 和 glm . 维纳布尔斯和里普利的圣经是简洁的，但仍然值得一读."Extending the Linear Model with R" by Faraway这些来源并不包含这些内容，但Ritz和Streibig的"Nonlinear Regression with R"填补了这一空白，并且非常实用 .
6 回答
最好保持简单，看看线性方法是否“很好” . 您可以通过查看R平方AND F统计数据来判断您的适合度，并且永远不会分开 . 在模型中添加与因变量无关的变量可以增加R2，因此您还必须考虑F统计量 .
您还应该将模型与其他嵌套或更简单的模型进行比较 . 只要因变量相同，使用对数似然比检验即可 .
Jarque-Bera检验有助于检验残差分布的正态性 .
只是问题的第一部分可以填满整本书 . 只是一些快速选择：
lm()用于标准线性模型glm()用于广义线性模型（例如用于逻辑回归）来自MASS包的
rlm()用于稳健的线性模型lmrob()来自strong robustbase，用于稳健的线性模型loess()用于非线性/非参数模型然后有特定于域的模型，例如，时间序列，微观计量经济学，混合效应等等 . 例如，几个任务视图Econometrics更详细地讨论这个问题 . 至于适合度，这也是一本可以轻松花费整本书讨论的东西 .
R中规范曲线拟合的主力是
lm()，glm()和nls(). 对我而言，拟合优度是模型选择中较大问题的一个子问题 . 事实上，错误地使用拟合优度（例如，通过逐步回归）可能会产生严重错误的模型（参见Harrell 's book on 622648 ). Rather than discussing the issue from scratch, I recommend Harrell'的书籍lm和glm. 维纳布尔斯和里普利的圣经是简洁的，但仍然值得一读."Extending the Linear Model with R" by Faraway这些来源并不包含这些内容，但Ritz和Streibig的"Nonlinear Regression with R"填补了这一空白，并且非常实用 .nls()函数（http://sekhon.berkeley.edu/stats/html/nls.html）是非线性最小二乘曲线拟合的标准 . Chi平方（残差平方和）是在这种情况下优化的度量，但它没有标准化，因此您不能确定自动执行此操作的方法 .Quick R网站对用于拟合模型和测试拟合的基本函数以及样本R代码进行了合理的总结：
可能会修改
qqnorm()以找到样本分位数与理论分位数之间的相关性 . 从本质上讲，这只是对正常分位数图的数值解释 . 也许为不同的分位数范围提供几个相关系数值可能是有用的 . 例如，如果中间97％的数据的相关系数接近于1，而尾部的相关系数则低得多，这告诉我们残差的分布大致正常，尾部有一些有趣的情况 .