Do rozmowy użyłem następującego obrazu, który jest oparty na zestawie sleepstudy
danych z pakietu lme4 . Chodziło o to, aby zilustrować różnicę między dopasowaniami regresji niezależnej z danych specyficznych dla pacjenta (szarymi) a przewidywaniami z modeli efektów losowych, zwłaszcza że (1) przewidywane wartości z modelu efektów losowych są estymatorami skurczu i że (2) wspólne trajektorie osób wspólne nachylenie z modelem wyłącznie z przypadkowym przechwytywaniem (pomarańczowy). Rozkłady przechwyconych obiektów są pokazane jako szacunki gęstości jądra na osi y ( kod R ).
(Krzywe gęstości wykraczają poza zakres obserwowanych wartości, ponieważ obserwacji jest stosunkowo niewiele).
Bardziej „konwencjonalna” grafika może być następna, pochodząca z Douga Batesa (dostępna na stronie R-forge dla lme4 , np. 4Longitudinal.R ), gdzie możemy dodawać indywidualne dane w każdym panelu.
Więc coś nie jest „wyjątkowo eleganckie”, ale pokazuje przypadkowe przechwyty i zbocza również z R. (Myślę, że byłoby jeszcze fajniej, gdyby pokazał również rzeczywiste równania)
źródło
Ten wykres zaczerpnięty z dokumentacji Matlaba dla nlmefit uderza mnie jako taki, który naprawdę ilustruje koncepcję przypadkowych przechwyceń i spadków. Prawdopodobnie coś pokazującego grupy heteroskedastyczności w resztkach wykresu OLS byłoby również dość standardowe, ale nie dałbym „rozwiązania”.
źródło