與標(biāo)準(zhǔn)（OLS）線性模型一樣，模型適用性的評(píng)價(jià)對(duì)于廣義線性模型也非常重要。但遺憾的

是，對(duì)于標(biāo)準(zhǔn)的評(píng)價(jià)過程，統(tǒng)計(jì)圈子仍莫衷一是。一般來說，

當(dāng)評(píng)價(jià)模型的適用性時(shí)，你可以繪制初始響應(yīng)變量的預(yù)測(cè)值與殘差的圖形。例如，如下代碼

可繪制一個(gè)常見的診斷圖：

plot(predict(model, type="response"),

residuals(model, type= "deviance"))

其中， model為glm()函數(shù)返回的對(duì)象。

R將列出帽子值（hat value）、學(xué)生化殘差值和Cook距離統(tǒng)計(jì)量的近似值。不過，對(duì)于識(shí)別異

常點(diǎn)的閾值，現(xiàn)在并沒統(tǒng)一答案，它們都是通過相互比較來進(jìn)行判斷。其中一個(gè)方法就是繪制各

統(tǒng)計(jì)量的參考圖，然后找出異常大的值。例如，如下代碼可創(chuàng)建三幅診斷圖：

plot(hatvalues(model))

plot(rstudent(model))

plot(cooks.distance(model))

你還可以用其他方法，代碼如下：

library(car)

influencePlot(model)

它可以創(chuàng)建一個(gè)綜合性的診斷圖。在后面的圖形中，橫軸代表杠桿值，縱軸代表學(xué)生化殘差

值，而繪制的符號(hào)大小與Cook距離大小成正比。

當(dāng)響應(yīng)變量有許多值時(shí)，診斷圖非常有用；而當(dāng)響應(yīng)變量只有有限個(gè)值時(shí)（比如Logistic回

歸），診斷圖的功效就會(huì)降低很多。

若想更深入了解廣義線性模型的回歸診斷，可參考Fox（2008）和Faraway（2006）。