Phân tích hồi quy và ngôn ngữ R (1): Phân tích hồi quy tuyến tính

10
Phân tích hồi qui tuyến tính
Phân tích hồi qui tuyến tính (linear regression analysis) có lẽ là một trong những
phương pháp phân tích số liệu thông dụng nhất trong thống kê học. Anon từng viết “Cho
con người 3 vũ khí – hệ số tương quan, hồi qui tuyến tính và một cây bút, con người sẽ
sử dụng cả ba”! Trong chương này, tôi sẽ giới thiệu cách sử dụng R để phân tích hồi qui
tuyến tính và các phương pháp liên quan như hệ số tương quan và kiểm định giả thiết
thống kê.
Ví dụ 1. Để minh họa cho vấn đề, chúng ta thử xem xét nghiên cứu sau đây, mà
trong đó nhà nghiên cứu đo lường độ cholestrol trong máu của 18 đối tượng nam. Tỉ
trọng cơ thể (body mass index) cũng được ước tính cho mỗi đối tượng bằng công thức
tính BMI là lấy trọng lượng (tính bằng kg) chia cho chiều cao bình phương (m2
). Kết quả
đo lường như sau:
Bảng 1. Độ tuổi, tỉ trọng cơ thể và cholesterol
Mã số ID
(i d )
Độ tuổi
(a g e )
BMI
(b mi )
Cholesterol
(c h o l )
1 46 25.4 3.5
2 20 20.6 1.9
3 52 26.2 4.0
4 30 22.6 2.6
5 57 25.4 4.5
6 25 23.1 3.0
7 28 22.7 2.9
8 36 24.9 3.8
9 22 19.8 2.1
10 43 25.3 3.8
11 57 23.2 4.1
12 33 21.8 3.0
13 22 20.9 2.5
14 63 26.7 4.6
15 40 26.4 3.2
16 48 21.2 4.2
17 28 21.2 2.3
18 49 22.8 4.0
Nhìn sơ qua số liệu chúng ta thấy người có độ tuổi càng cao độ cholesterol cũng
càng cao. Chúng ta thử nhập số liệu này vào R và vẽ một biểu đồ tán xạ như sau:
> a g e < - c ( 4 6 , 2 0 , 5 2 , 3 0 , 5 7 , 2 5 , 2 8 , 3 6 , 2 2 , 4 3 , 5 7 , 3 3 , 2 2 , 6 3 , 4 0 , 4 8 , 2 8 , 4 9 )

> b mi < - c ( 2 5 . 4 , 2 0 . 6 , 2 6 . 2 , 2 2 . 6 , 2 5 . 4 , 2 3 . 1 , 2 2 . 7 , 2 4 . 9 , 1 9 . 8 , 2 5 . 3 , 2 3 . 2 ,
2 1 . 8 , 2 0 . 9 , 2 6 . 7 , 2 6 . 4 , 2 1 . 2 , 2 1 . 2 , 2 2 . 8 )
> c h o l < - c ( 3 . 5 , 1 . 9 , 4 . 0 , 2 . 6 , 4 . 5 , 3 . 0 , 2 . 9 , 3 . 8 , 2 . 1 , 3 . 8 , 4 . 1 , 3 . 0 ,
2 . 5 , 4 . 6 , 3 . 2 , 4 . 2 , 2 . 3 , 4 . 0 )
> d a t a < - d a t a . f r a me ( a g e , b mi , c h o l )
> p l o t ( c h o l ~ a g e , p c h = 1 6 )
20 30 40 50 60
2.02.53.03.54.04.5
age
chol
Biểu đồ 10.1. Liên hệ giữa độ tuổi và cholesterol.
Biểu đồ 10.1 trên đây gợi ý cho thấy mối liên hệ giữa độ tuổi (a g e ) và cholesterol là một
đường thẳng (tuyến tính). Để “đo lường” mối liên hệ này, chúng ta có thể sử dụng hệ số
tương quan (coefficient of correlation).
10.1 Hệ số tương quan
Hệ số tương quan (r) là một chỉ số thống kê đo lường mối liên hệ tương quan giữa
hai biến số, như giữa độ tuổi (x) và cholesterol (y). Hệ số tương quan có giá trị từ -1 đến
1. Hệ số tương quan bằng 0 (hay gần 0) có nghĩa là hai biến số không có liên hệ gì với
nhau; ngược lại nếu hệ số bằng -1 hay 1 có nghĩa là hai biến số có một mối liên hệ tuyệt
đối. Nếu giá trị của hệ số tương quan là âm (r <0) có nghĩa là khi x tăng cao thì y giảm
(và ngược lại, khi x giảm thì y tăng); nếu giá trị hệ số tương quan là dương (r > 0) có
nghĩa là khi x tăng cao thì y cũng tăng, và khi x tăng cao thì y cũng giảm theo.

Thực ra có nhiều hệ số tương quan trong thống kê, nhưng ở đây tôi sẽ trình bày 3
hệ số tương quan thông dụng nhất: hệ số tương quan Pearson r, Spearman ρ, và Kendall
τ.
10.1.1 Hệ số tương quan Pearson
Cho hai biến số x và y từ n mẫu, hệ số tương quan Pearson được ước tính bằng
công thức sau đây:
( )( )
( ) ( )∑ −∑ −
∑ −−
=
==
=
n
i
i
n
i
i
n
i
ii
yyxx
yyxx
r
1
2
1
2
1
Trong đó, như định nghĩa phần trên, x và y là giá trị trung bình của biến số x và
y. Để ước tính hệ số tương quan giữa độ tuổi a g e và cholesterol, chúng ta có thể sử
dụng hàm c o r ( x , y ) như sau:
> c o r ( a g e , c h o l )
[ 1 ] 0 . 9 3 6 7 2 6
Chúng ta có thể kiểm định giả thiết hệ số tương quan bằng 0 (tức hai biến x và y
không có liên hệ). Phương pháp kiểm định này thường dựa vào phép biến đổi Fisher mà
R đã có sẵn một hàm c o r . t e s t để tiến hành việc tính toán.
> c o r . t e s t ( a g e , c h o l )
Pe a r s o n ' s p r o d u c t - mo me n t c o r r e l a t i o n
d a t a : a g e a n d c h o l
t = 1 0 . 7 0 3 5 , d f = 1 6 , p - v a l u e = 1 . 0 5 8 e - 0 8
a l t e r n a t i v e h y p o t h e s i s : t r u e c o r r e l a t i o n i s n o t e q u a l t o 0
9 5 p e r c e n t c o n f i d e n c e i n t e r v a l :
0 . 8 3 5 0 4 6 3 0 . 9 7 6 5 3 0 6
s a mp l e e s t i ma t e s :
c o r
0 . 9 3 6 7 2 6
Kết quả phân tích cho thấy kiểm định t = 10.70 với trị số p = 1.058e-08; do đó,
chúng ta có bằng chứng để kết luận rằng mối liên hệ giữa độ tuổi và cholesterol có ý
nghĩa thống kê. Kết luận này cũng chính là kết luận chúng ta đã đi đến trong phần phân
tích hồi qui tuyến tính trên.
10.1.2 Hệ số tương quan Spearman ρ
Hệ số tương quan Pearson chỉ hợp lí nếu biến số x và y tuân theo luật phân phối
chuẩn. Nếu x và y không tuân theo luật phân phối chuẩn, chúng ta phải sử dụng một hệ
số tương quan khác tên là Spearman, một phương pháp phân tích phi tham số. Hệ số này

được ước tính bằng cách biến đổi hai biến số x và y thành thứ bậc (rank), và xem độ
tương quan giữa hai dãy số bậc. Do đó, hệ số còn có tên tiếng Anh là Spearman’s Rank
correlation. R ước tính hệ số tương quan Spearman bằng hàm c o r . t e s t với thông số
me t h o d = ” s p e a r ma n ” như sau:
> c o r . t e s t ( a g e , c h o l , me t h o d = " s p e a r ma n " )
Sp e a r ma n ' s r a n k c o r r e l a t i o n r h o
S = 5 1 . 1 5 8 4 , p - v a l u e = 2 . 5 7 e - 0 9
a l t e r n a t i v e h y p o t h e s i s : t r u e r h o i s n o t e q u a l t o 0
r h o
0 . 9 4 7 2 0 5
Wa r n i n g me s s a g e :
Ca n n o t c o mp u t e e x a c t p - v a l u e s wi t h t i e s i n : c o r . t e s t . d e f a u l t ( a g e ,
c h o l , me t h o d = " s p e a r ma n " )
Kết quả phân tích cho thấy giá trị rho = 0.947, và trị số p = 2.57e-09. Kết quả từ
phân tích này cũng không khác với phân tích hồi qui tuyến tính: mối liên hệ giữa độ tuổi
và cholesterol rất cao và có ý nghĩa thống kê.
10.1.3 Hệ số tương quan Kendall τ
Hệ số tương quan Kendall (cũng là một phương pháp phân tích phi tham số) được
ước tính bằng cách tìm các cặp số (x, y) “song hành" với nhau. Một cặp (x, y) song hành
ở đây được định nghĩa là hiệu (độ khác biệt) trên trục hoành có cùng dấu hiệu (dương hay
âm) với hiệu trên trục tung. Nếu hai biến số x và y không có liên hệ với nhau, thì số cặp
song hành bằng hay tương đương với số cặp không song hành.
Bởi vì có nhiều cặp phải kiểm định, phương pháp tính toán hệ số tương quan
Kendall đòi hỏi thời gian của máy tính khá cao. Tuy nhiên, nếu một dữ liệu dưới 5000
đối tượng thì một máy vi tính có thể tính toán khá dễ dàng. R dùng hàm c o r . t e s t với
thông số me t h o d = ” k e n d a l l ” để ước tính hệ số tương quan Kendall:
> c o r . t e s t ( a g e , c h o l , me t h o d = " k e n d a l l " )
Ke n d a l l ' s r a n k c o r r e l a t i o n t a u
z = 4 . 7 5 5 , p - v a l u e = 1 . 9 8 4 e - 0 6
a l t e r n a t i v e h y p o t h e s i s : t r u e t a u i s n o t e q u a l t o 0
t a u
0 . 8 3 3 3 3 3 3
Wa r n i n g me s s a g e :

Ca n n o t c o mp u t e e x a c t p - v a l u e wi t h t i e s i n : c o r . t e s t . d e f a u l t ( a g e ,
c h o l , me t h o d = " k e n d a l l " )
Kết quả phân tích hệ số tương quan Kendall một lần nữa khẳng định mối liên hệ
giữa độ tuổi và cholesterol có ý nghĩa thống kê, vì hệ số tau = 0.833 và trị số p = 1.98e-
06.
Các hệ số tương quan trên đây đo mức độ tương quan giữa hai biến số, nhưng
không cho chúng ta một phương trình để nối hai biến số đó với nhau. Thành ra, vấn đề
đặt ra là chúng ta tìm một phương trình tuyến tính để mô tả mối liên hệ này. Chúng ta sẽ
ứng dụng mô hình hồi qui tuyến tính.
10.2 Mô hình của hồi qui tuyến tính đơn giản
10.2.1 vài dòng lí thuyết
Để tiện việc theo dõi và mô tả mô hình, gọi độ tuổi cho cá nhân i là xi và
cholesterol là yi. Ở đây i = 1, 2, 3, …, 18. Mô hình hồi tuyến tính phát biểu rằng:
i i iy xα β ε= + + [1]
Nói cách khác, phương trình trên giả định rằng độ cholesterol của một cá nhân bằng một
hằng số α cộng với một hệ số β liên quan đến độ tuổi, và một sai số εi. Trong phương
trình trên, α là chặn (intercept, tức giá trị lúc xi =0), và β là độ dốc (slope hay gradient).
Trong thực tế, α và β là hai thông số (paramater, còn gọi là regression coefficient hay hệ
số hồi qui), và εi là một biến số theo luật phân phối chuẩn với trung bình 0 và phương sai
σ2
.
Các thông số α, β và σ2
phải được ước tính từ dữ liệu. Phương pháp để ước tính
các thông số này là phương pháp bình phương nhỏ nhất (least squares method). Như tên
gọi, phương pháp bình phương nhỏ nhất tìm giá trị α, β sao cho ( )
2
1
n
i i
i
y xα β
=
 − + ∑ nhỏ
nhất. Sau vài thao tác toán, có thể chứng minh dễ dàng rằng, ước số cho α và β đáp ứng
điều kiện đó là:
( )( )
( )
1
2
1
ˆ
n
i i
i
n
i
i
x x y y
x x
β =
=
− −
=
−
∑
∑
[2]
và
y xα β= −
))
[3]

Ở đây, x và y là giá trị trung bình của biến số x và y. Chú ý, tôi viết α
)
và β
)
(với dấu
mũ phía trên) là để nhắc nhở rằng đây là hai ước số (estimates) của α và β, chứ không
phải α và β (chúng ta không biết chính xác α và β, nhưng chỉ có thể ước tính mà thôi).
Sau khi đã có ước sốα
)
và β
)
, chúng ta có thể ước tính độ cholesterol trung bình
cho từng độ tuổi như sau:
ˆî iy xα β= +
)
Tất nhiên, îy ở đây chỉ là số trung bình cho độ tuổi xi, và phần còn lại (tức iy - îy ) gọi là
phần dư (residual). Và phương sai của phần dư có thể ước tính như sau:
( )
2 1
ˆ
2
n
i i
i
y y
s
n
=
−
=
−
∑
[4]
s2
chính là ước số của σ2
.
Trong phân tích hồi qui tuyến tính, thông thường chúng ta muốn biết hệ số
β = 0 hay khác 0. Nếu β bằng 0, thì cũng có nghĩa là không có mối liên hệ gì giữa x và y;
nếu β khác với 0, chúng ta có bằng chứng để phát biểu rằng x và y có liên quan nhau. Để
kiểm định giả thiết β = 0 chúng ta dùng xét nghiệm t sau đây:
( )
ˆ
ˆ
t
SE
β
β
= [5]
( )ˆSE β có nghĩa là sai số chuẩn (standard error) của ước số β
)
. Trong phương trình trên,
t tuân theo luật phân phối t với bậc tự do n-2 (nếu thật sự β = 0).
10.2.2 Phân tích hồi qui tuyến tính đơn giản bằng R
Hàm l m (viết tắt từ linear model) trong R có thể tính toán các giá trị của α
)
và β
)
, cũng như s2
một cách nhanh gọn. Chúng ta tiếp tục với ví dụ bằng R như sau:
> l m( c h o l ~ a g e )
Ca l l :
l m( f o r mu l a = c h o l ~ a g e )
Co e f f i c i e n t s :
( I n t e r c e p t ) a g e
1 . 0 8 9 2 2 0 . 0 5 7 7 9

Trong lệnh trên, “ c h o l ~ a g e ” có nghĩa là mô tả c h o l là một hàm số của a g e . Kết
quả tính toán của l m cho thấy α
)
= 1.0892 và β
)
= 0.05779. Nói cách khác, với hai thông
số này, chúng ta có thể ước tính độ cholesterol cho bất cứ độ tuổi nào trong khoảng tuổi
của mẫu bằng phương trình tuyến tính:
ˆiy = 1 . 0 8 9 2 2 + 0 . 0 5 7 7 9 x a g e
Phương trình này có nghĩa là khi độ tuổi tăng 1 năm thì độ cholesterol tăng khoảng 0.058
mmol/L.
Thật ra, hàm l m còn cung cấp cho chúng ta nhiều thông tin khác, nhưng chúng ta phải
đưa các thông tin này vào một object. Gọi object đó là r e g , thì lệnh sẽ là:
> r e g < - l m( c h o l ~ a g e )
> s u mma r y ( r e g )
Ca l l :
l m( f o r mu l a = c h o l ~ a g e )
Re s i d u a l s :
Mi n 1 Q Me d i a n 3 Q Ma x
- 0 . 4 0 7 2 9 - 0 . 2 4 1 3 3 - 0 . 0 4 5 2 2 0 . 1 7 9 3 9 0 . 6 3 0 4 0
Es t i ma t e St d . Er r o r t v a l u e Pr ( > | t | )
( I n t e r c e p t ) 1 . 0 8 9 2 1 8 0 . 2 2 1 4 6 6 4 . 9 1 8 0 . 0 0 0 1 5 4 * * *
a g e 0 . 0 5 7 7 8 8 0 . 0 0 5 3 9 9 1 0 . 7 0 4 1 . 0 6 e - 0 8 * * *
- - -
Si g n i f . c o d e s : 0 ' * * * ' 0 . 0 0 1 ' * * ' 0 . 0 1 ' * ' 0 . 0 5 ' . ' 0 . 1 ' ' 1
Re s i d u a l s t a n d a r d e r r o r : 0 . 3 0 2 7 o n 1 6 d e g r e e s o f f r e e d o m
Mu l t i p l e R- Sq u a r e d : 0 . 8 7 7 5 , Ad j u s t e d R- s q u a r e d : 0 . 8 6 9 8
F - s t a t i s t i c : 1 1 4 . 6 o n 1 a n d 1 6 DF , p - v a l u e : 1 . 0 5 8 e - 0 8
Lệnh thứ hai, s u mma r y ( r e g ) , yêu cầu R liệt kê các thông tin tính toán trong r e g . Phần
kết quả chia làm 3 phần:
(a) Phần 1 mô tả phần dư (residuals) của mô hình hồi qui:
Re s i d u a l s :
- 0 . 4 0 7 2 9 - 0 . 2 4 1 3 3 - 0 . 0 4 5 2 2 0 . 1 7 9 3 9 0 . 6 3 0 4 0
Chúng ta biết rằng trung bình phần dư phải là 0, và ở đây, số trung vị là -0.04, cũng
không xa 0 bao nhiêu. Các số quantiles 25% (1Q) và 75% (3Q) cũng khá cân đối chung
quan số trung vị, cho thấy phần dư của phương trình này tương đối cân đối.

(b) Phần hai trình bày ước số của α
)
và β
)
cùng với sai số chuẩn và giá trị của kiểm định t.
Giá trị kiểm định t cho β
)
là 10.74 với trị số p = 1.06e-08, cho thấy β không phải bằng 0.
Nói cách khác, chúng ta có bằng chứng để cho rằng có một mối liên hệ giữa cholesterol
và độ tuổi, và mối liên hệ này có ý nghĩa thống kê.
( I n t e r c e p t ) 1 . 0 8 9 2 1 8 0 . 2 2 1 4 6 6 4 . 9 1 8 0 . 0 0 0 1 5 4 * * *
a g e 0 . 0 5 7 7 8 8 0 . 0 0 5 3 9 9 1 0 . 7 0 4 1 . 0 6 e - 0 8 * * *
- - -
Si g n i f . c o d e s : 0 ' * * * ' 0 . 0 0 1 ' * * ' 0 . 0 1 ' * ' 0 . 0 5 ' . ' 0 . 1 ' ' 1
(c) Phần ba của kết quả cho chúng ta thông tin về phương sai của phần dư (residual mean
square). Ở đây, s2
= 0.3027. Trong kết quả này còn có kiểm định F, cũng chỉ là một
kiểm định xem có quả thật β bằng 0, tức có ý nghĩa tương tự như kiểm định t trong phần
trên. Nói chung, trong trường hợp phân tích hồi qui tuyến tính đơn giản (với một yếu tố)
chúng ta không cần phải quan tâm đến kiểm định F.
Ngoài ra, phần 3 còn cho chúng ta một thông tin quan trọng, đó là trị số R2
hay hệ số xác
định bội (coefficient of determination). Hệ số này được ước tính bằng công thức:
( )
( )
2
2 1
2
1
ˆ
n
i
i
n
i
i
y y
R
y y
=
=
−
=
−
∑
∑
[6]
Tức là bằng tổng bình phương giữa số ước tính và trung bình chia cho tổng bình phương
số quan sát và trung bình. Trị số R2
trong ví dụ này là 0.8775, có nghĩa là phương trình
tuyến tính (với độ tuổi là một yếu tố) giải thích khoảng 88% các khác biệt về độ
cholesterol giữa các cá nhân. Tất nhiên trị số R2
có giá trị từ 0 đến 100% (hay 1). Giá trị
R2
càng cao là một dấu hiệu cho thấy mối liên hệ giữa hai biến số độ tuổi và cholesterol
càng chặt chẽ.
Một hệ số cũng cần đề cập ở đây là hệ số điều chỉnh xác định bội (mà trong kết
quả trên R gọi là “Adjusted R-squared”). Đây là hệ số cho chúng ta biết mức độ cải tiến
của phương sai phần dư (residual variance) do yếu tố độ tuổi có mặt trong mô hình tuyến
tính. Nói chung, hệ số này không khác mấy so với hệ số xác định bội, và chúng ta cũng
không cần chú tâm quá mức.
10.2.3 Giả định của phân tích hồi qui tuyến tính
Tất cả các phân tích trên dựa vào một số giả định quan trọng như sau:

(a) x là một biến số cố định hay fixed, (“cố định” ở đây có nghĩa là không có sai sót ngẫu
nhiên trong đo lường);
(b) εi phân phối theo luật phân phối chuẩn;
(c) εi có giá trị trung bình (mean) là 0;
(d) εi có phương sai σ2
cố định cho tất cả xi; và
(e) các giá trị liên tục của εi không có liên hệ tương quan với nhau (nói cách khác, ε1 và ε2
không có liên hệ với nhau).
Nếu các giả định này không được đáp ứng thì phương trình mà chúng ta ước tính
có vấn đề hợp lí (validity). Do đó, trước khi trình bày và diễn dịch mô hình trên, chúng
ta cần phải kiểm tra xem các giả định trên có đáp ứng được hay không. Trong trường
hợp này, giả định (a) không phải là vấn đề, vì độ tuổi không phải là một biến số ngẫu
nhiên, và không có sai số khi tính độ tuổi của một cá nhân.
Đối với các giả định (b) đến (e), cách kiểm tra đơn giản nhưng hữu hiệu nhất là
bằng cách xem xét mối liên hệ giữa îy , ix , và phần dư ie ( î i ie y y= − ) bằng những đồ thị
tán xạ.
Với lệnh f i t t e d ( ) chúng ta có thể tính toán îy cho từng cá nhân như sau (ví dụ
đối với cá nhân 1, 46 tuổi, độ cholestrol có thể tiên đoán như sau: 1 . 0 8 9 2 2 + 0 . 0 5 7 7 9
x 4 6 = 3 . 7 4 7 ).
> f i t t e d ( r e g )
1 2 3 4 5 6 7 8
3 . 7 4 7 4 8 3 2 . 2 4 4 9 8 5 4 . 0 9 4 2 1 4 2 . 8 2 2 8 6 9 4 . 3 8 3 1 5 6 2 . 5 3 3 9 2 7 2 . 7 0 7 2 9 2 3 . 1 6 9 6 0 0
9 1 0 1 1 1 2 1 3 1 4 1 5 1 6
2 . 3 6 0 5 6 2 3 . 5 7 4 1 1 8 4 . 3 8 3 1 5 6 2 . 9 9 6 2 3 4 2 . 3 6 0 5 6 2 4 . 7 2 9 8 8 6 3 . 4 0 0 7 5 3 3 . 8 6 3 0 6 0
1 7 1 8
2 . 7 0 7 2 9 2 3 . 9 2 0 8 4 9
Với lệnh r e s i d ( ) chúng ta có thể tính toán phần dư ie cho từng cá nhân như
sau (với đối tượng 1, e1 = 3 . 5 – 3 . 7 4 7 4 8 = - 0 . 2 4 7 4 8 ) :
> r e s i d ( r e g )
1 2 3 4 5 6
- 0 . 2 4 7 4 8 3 4 2 6 - 0 . 3 4 4 9 8 5 4 1 5 - 0 . 0 9 4 2 1 3 7 3 6 - 0 . 2 2 2 8 6 9 2 6 5 0 . 1 1 6 8 4 4 3 3 8 0 . 4 6 6 0 7 2 6 6 0
7 8 9 1 0 1 1 1 2
0 . 1 9 2 7 0 7 5 0 5 0 . 6 3 0 4 0 0 4 2 4 - 0 . 2 6 0 5 6 2 1 8 5 0 . 2 2 5 8 8 1 7 2 9 - 0 . 2 8 3 1 5 5 6 6 2 0 . 0 0 3 7 6 5 5 7 9
1 3 1 4 1 5 1 6 1 7 1 8
0 . 1 3 9 4 3 7 8 1 5 - 0 . 1 2 9 8 8 5 9 7 2 - 0 . 2 0 0 7 5 3 1 1 6 0 . 3 3 6 9 3 9 8 0 4 - 0 . 4 0 7 2 9 2 4 9 5 0 . 0 7 9 1 5 1 4 1 9
Để kiểm tra các giả định trên, chúng ta có thể vẽ một loạt 4 đồ thị mà tôi sẽ giải
thích sau đây:

> o p < - p a r ( mf r o w= c ( 2 , 2 ) ) # yêu cầu R dành ra 4 cửa sổ
> p l o t ( r e g ) # vẽ các đồ thị trong r e g
2.5 3.0 3.5 4.0 4.5
-0.40.00.20.40.6
Fitted values
Residuals
Residuals vs Fitted
8
6
17
-2 -1 0 1 2
-1012
Theoretical Quantiles
Standardizedresiduals
Normal Q-Q
8
6
17
2.5 3.0 3.5 4.0 4.5
0.00.51.01.5
Fitted values
Scale-Location
8
6
17
0.00 0.05 0.10 0.15 0.20 0.25
-1012
Leverage
Cook's distance
0.5
0.5
1
Residuals vs Leverage
6
2
8
Biểu đồ 10.2. Phân tích phần dư để kiểm tra các giả định trong phân tích hồi
qui tuyến tính.
(a) Đồ thị bên trái dòng 1 vẽ phần dư ie và giá trị tiên đoán cholesterol îy . Đồ thị này cho
thấy các giá trị phần dư tập chung quanh đường y = 0, cho nên giả định (c), hay εi có giá
trị trung bình 0, là có thể chấp nhận được.
(b) Đồ thị bên phải dòng 1 vẽ giá trị phần dư và giá trị kì vọng dựa vào phân phối chuẩn.
Chúng ta thấy các số phần dư tập trung rất gần các giá trị trên đường chuẩn, và do đó, giả
định (b), tức εi phân phối theo luật phân phối chuẩn, cũng có thể đáp ứng.
(c) Đồ thị bên trái dòng 2 vẽ căn số phần dư chuẩn (standardized residual) và giá trị của
îy . Đồ thị này cho thấy không có gì khác nhau giữa các số phần dư chuẩn cho các giá trị
của îy , và do đó, giả định (d), tức εi có phương sai σ2
cố định cho tất cả xi, cũng có thể
đáp ứng.

Nói chung qua phân tích phần dư, chúng ta có thể kết luận rằng mô hình hồi qui tuyến
tính mô tả mối liên hệ giữa độ tuổi và cholesterol một cách khá đầy đủ và hợp lí.
10.2.4 Mô hình tiên đoán
Sau khi mô hình tiên đoán cholesterol đã được kiểm tra và tính hợp lí đã được
thiết lập, chúng ta có thể vẽ đường biểu diễn của mối liên hệ giữa độ tuổi và cholesterol
bằng lệnh a b l i n e như sau (xin nhắc lại object của phân tích là r e g ):
> p l o t ( c h o l ~ a g e , p c h = 1 6 )
> a b l i n e ( r e g )
20 30 40 50 60
2.02.53.03.54.04.5
age
chol
Biểu đồ 10.3. Đường biểu diễn mối liên hệ giữa độ tuổi (age)
và cholesterol.
Nhưng mỗi giá trị îy được tính từ ước số α
)
và β
)
, mà các ước số này đều có sai
số chuẩn, cho nên giá trị tiên đoán îy cũng có sai số. Nói cách khác, îy chỉ là trung bình,
nhưng trong thực tế có thể cao hơn hay thấp hơn tùy theo chọn mẫu. Khoảng tin cậy
95% này có thể ước tính qua R bằng các lệnh sau đây:
> r e g < - l m( c h o l ~ a g e )
> n e w < - d a t a . f r a me ( a g e = s e q ( 1 5 , 7 0 , 5 ) )

> p r e d . w. p l i m < - p r e d i c t . l m( r e g , n e w, i n t e r v a l = " p r e d i c t i o n " )
> p r e d . w. c l i m < - p r e d i c t . l m( r e g , n e w, i n t e r v a l = " c o n f i d e n c e " )
> r e s c < - c b i n d ( p r e d . w. c l i m, n e w)
> r e s p < - c b i n d ( p r e d . w. p l i m, n e w)
> p l o t ( c h o l ~ a g e , p c h = 1 6 )
> l i n e s ( r e s c $ f i t ~ r e s c $ a g e )
> l i n e s ( r e s c $ l wr ~ r e s c $ a g e , c o l = 2 )
> l i n e s ( r e s c $ u p r ~ r e s c $ a g e , c o l = 2 )
> l i n e s ( r e s p $ l wr ~ r e s p $ a g e , c o l = 4 )
> l i n e s ( r e s p $ u p r ~ r e s p $ a g e , c o l = 4 )
20 30 40 50 60
2.02.53.03.54.04.5
age
chol
Biểu đồ 10.4. Giá trị tiên đoán và khoảng tin cậy 95%.
Biểu đồ trên vẽ giá trị tiên đoán trung bình ˆiy (đường thẳng màu đen), và khoảng tin cậy
95% của giá trị này là đường màu đỏ. Ngoài ra, đường màu xanh là khoảng tin cậy của
giá trị tiên đoán cholesterol cho một độ tuổi mới trong quần thể.
10.3 Mô hình hồi qui tuyến tính đa biến (multiple linear
regression)
Mô hình được diễn đạt qua phương trình [1] i i iy xα β ε= + + có một yếu tố duy
nhất (đó là x), và vì thế thường được gọi là mô hình hồi qui tuyến tính đơn giản (simple

linear regression model). Trong thực tế, chúng ta có thể phát triển mô hình này thành
nhiều biến, chứ không chỉ giới hạn một biến như trên, chẳng hạn như:
1 1 2 2 ...i i i k ki iy x x xα β β β ε= + + + + + [7]
nói cụ thể hơn:
y1 = α + β1x11 + β2x21 + …+ βkxk1 + ε1
y2 = α + β1x12 + β2x22 + …+ βkxk2 + ε2
y3 = α + β1x13 + β2x23 + …+ βkxk3 + ε3
…
yn = α + β1x1n + β2x2n + …+ βkxkn + εn
Chú ý trong phương trình trên, chúng ta có nhiều biến x (x1, x2, … đến xk), và mỗi biến có
một thông số jβ (j = 1, 2, …, k) cần phải ước tính. Vì thế mô hình này còn được gọi là
mô hình hồi qui tuyến tính đa biến.
Phương pháp ước tính jβ cũng chủ yếu dựa vào phương pháp bình phương nhỏ
nhất. Gọi 1 1 2 1
ˆ ˆ ˆˆˆ ...i i i k kiy x x xα β β β= + + + + là ước tính của yi , phương pháp bình phương
nhỏ nhất tìm giá trị 1 2
ˆ ˆ ˆˆ, , ,..., kα β β β sao cho ( )
2
1
ˆ
n
i i
i
y y
=
−∑ nhỏ nhất. Đối với mô hình hồi
qui tuyến tính đa biến, cách viết và mô tả mô hình gọn nhất là dùng kí hiệu ma trận. Mô
hình [7] có thể thể hiện bằng kí hiệu ma trận như sau:
Y = Xβ + ε
Trong đó: Y là một vector n x 1, X là một matrix n x k phần tử, β và một vector k x 1, và
ε là vector gồm n x 1 phần tử:












=
ny
y
y
Y
...
2
1
,












=
knnn
k
k
xxx
xxx
xxx
X
21
22212
12111
1
............
...1
...1
,












=
kβ
β
β
β
...
2
1
,












=
nε
ε
ε
ε
...
2
1
Phương pháp bình phương nhỏ nhất giải vector β bằng phương trình sau đây:
( ) YXXX TT 1
ˆ −
=β
và tổng bình phương phần dư:
2
ˆYYT
−=εε

Ví dụ 2. Chúng ta quay lại nghiên cứu về mối liên hệ giữa độ tuổi, b mi và
cholesterol. Trong ví dụ, chúng ta chỉ mới xét mối liên hệ giữa độ tuổi và cholesterol, mà
chưa xem đến mối liên hệ giữa cả hai yếu tố độ tuổi và b mi và cholesterol. Biểu đồ sau
đây cho chúng ta thấy mối liên hệ giữa ba biến số này:
> p a i r s ( d a t a )
age
20 22 24 26
2030405060
20222426
bmi
20 30 40 50 60 2.0 2.5 3.0 3.5 4.0 4.5
2.02.53.03.54.04.5
chol
Biểu đồ 10.5. Giá trị tiên đoán và khoảng tin cậy 95%.
Cũng như giữa độ tuổi và cholesterol, mối liên hệ giữa bmi và cholesterol cũng gần tuân
theo một đường thằng. Biểu đồ trên còn cho chúng ta thấy độ tuổi và bmi có liên hệ với
nhau. Thật vậy, phân tích hồi qui tuyến tính đơn giản giữa bmi và cholesterol cho thấy
như mối liên hệ này có ý nghĩa thống kê:
> s u mma r y ( l m( c h o l ~ b mi ) )
Ca l l :
l m( f o r mu l a = c h o l ~ b mi )
Re s i d u a l s :
- 0 . 9 4 0 3 - 0 . 3 5 6 5 - 0 . 1 3 7 6 0 . 3 0 4 0 1 . 4 3 3 0

( I n t e r c e p t ) - 2 . 8 3 1 8 7 1 . 6 0 8 4 1 - 1 . 7 6 1 0 . 0 9 7 3 9 .
b mi 0 . 2 6 4 1 0 0 . 0 6 8 6 1 3 . 8 4 9 0 . 0 0 1 4 2 * *
- - -
Si g n i f . c o d e s : 0 ' * * * ' 0 . 0 0 1 ' * * ' 0 . 0 1 ' * ' 0 . 0 5 ' . ' 0 . 1 ' ' 1
Re s i d u a l s t a n d a r d e r r o r : 0 . 6 2 3 o n 1 6 d e g r e e s o f f r e e d o m
F - s t a t i s t i c : 1 4 . 8 2 o n 1 a n d 1 6 DF , p - v a l u e : 0 . 0 0 1 4 1 8
BMI giải thích khoảng 48% độ dao động về cholesterol giữa các cá nhân. Nhưng vì BMI
cũng có liên hệ với độ tuổi, chúng ta muốn biết nếu hai yếu tố này được phân tích cùng
một lúc thì yếu tố nào quan trọng hơn. Để biết ảnh hưởng của cả hai yếu tố age (x1) và
bmi (tạm gọi là x2) đến cholesterol (y) qua một mô hình hồi qui tuyến tính đa biến, và mô
hình đó là:
iiii xxy εββα +++= 2211
hay phương trình cũng có thể mô tả bằng kí hiệu ma trận: Y = Xβ + ε mà tôi vừa trình
bày trên. Ở đây, Y là một vector vector 18 x 1, X là một matrix 18 x 2 phần tử, β và một
vector 2 x 1, và ε là vector gồm 18 x 1 phần tử. Để ước tính hai hệ số hồi qui, β1 và
β2 chúng ta cũng ứng dụng hàm l m( ) trong R như sau:
> mr e g < - l m( c h o l ~ a g e + b mi )
> s u mma r y ( mr e g )
Ca l l :
l m( f o r mu l a = c h o l ~ a g e + b mi )
Re s i d u a l s :
- 0 . 3 7 6 2 - 0 . 2 2 5 9 - 0 . 0 5 3 4 0 . 1 6 9 8 0 . 5 6 7 9
( I n t e r c e p t ) 0 . 4 5 5 4 5 8 0 . 9 1 8 2 3 0 0 . 4 9 6 0 . 6 2 7
a g e 0 . 0 5 4 0 5 2 0 . 0 0 7 5 9 1 7 . 1 2 0 3 . 5 0 e - 0 6 * * *
b mi 0 . 0 3 3 3 6 4 0 . 0 4 6 8 6 6 0 . 7 1 2 0 . 4 8 7
- - -
Si g n i f . c o d e s : 0 ' * * * ' 0 . 0 0 1 ' * * ' 0 . 0 1 ' * ' 0 . 0 5 ' . ' 0 . 1 ' ' 1
F - s t a t i s t i c : 5 5 . 7 7 o n 2 a n d 1 5 DF , p - v a l u e : 1 . 1 3 2 e - 0 7
Kết quả phân tích trên cho thấy ước số αˆ = 0.455, 1
ˆβ = 0.054 và 2
ˆβ = 0.0333. Nói cách
khác, chúng ta có phương trình ước đoán độ cholesterol dựa vào hai biến số độ tuổi và
bmi như sau:

Ch o l e s t e r o l = 0 . 4 5 5 + 0 . 0 5 4 ( a g e ) + 0 . 0 3 3 3 ( b mi )
Phương trình cho biết khi độ tuổi tăng 1 năm thì cholesterol tăng 0.054 mg/L (ước số này
không khác mấy so với 0.0578 trong phương trình chỉ có độ tuổi), và mỗi 1 kg/m2
tăng
BMI thì cholesterol tăng 0.0333 mg/L. Hai yếu tố này “giải thích” khoảng 88.2% (R2
=
0.8815) độ dao động của cholesterol giữa các cá nhân.
Chúng ta chú ý phương trình với độ tuổi (trong phân tích phần trước) giải thích
khoảng 87.7% độ dao động cholesterol giữa các cá nhân. Khi chúng ta thêm yếu tố BMI,
hệ số này tăng lên 88.2%, tức chỉ 0.5%. Câu hỏi đặt ra là 0.5% tăng trưởng này có ý
nghĩa thống kê hay không. Câu trả lời có thể xem qua kết quả kiểm định yếu tố bmi với
trị số p = 0.487. Như vậy, bmi không cung cấp cho chúng thêm thông tin hay tiên đoán
cholesterol hơn những gì chúng ta đã có từ độ tuổi. Nói cách khác, khi độ tuổi đã được
xem xét, thì ảnh hưởng của bmi không còn ý nghĩa thống kê. Điều này có thể hiểu được,
bởi vì qua Biểu đồ 10.5 chúng ta thấy độ tuổi và bmi có một mối liên hệ khá cao. Vì hai
biến này có tương quan với nhau, chúng ta không cần cả hai trong phương trình. (Tuy
nhiên, ví dụ này chỉ có tính cách minh họa cho việc tiến hành phân tích hồi qui tuyến tính
đa biến bằng R, chứ không có ý định mô phỏng dữ liệu theo định hướng sinh học).
2.5 3.0 3.5 4.0 4.5
-0.40.00.4
Fitted values
Residuals
Residuals vs Fitted
8
166
-2 -1 0 1 2
-1.00.01.02.0
Theoretical Quantiles
Normal Q-Q
8
16
6
2.5 3.0 3.5 4.0 4.5
0.00.40.81.2
Fitted values
Scale-Location
8
16
6
0.00 0.10 0.20 0.30
-1012
Leverage
Cook's distance
0.5
Residuals vs Leverage
16
8
15
Biểu đồ 10.6. Phân tích phần dư để kiểm tra các giả định trong
phân tích hồi qui tuyến tính đa biến.
Tuy BMI không có ý nghĩa thống kê trong trường hợp này, Biểu đồ 10.6 cho thấy
các giả định về mô hình hồi qui tuyến tính có thể đáp ứng.

10.4 Phân tích hồi qui đa thức (Polynomial regression
analysis)
Một khai triển tất nhiên từ phân tích hồi qui đa biến độc lập là phân tích hồi qui
đa thức. Mô hình hồi qui đa biến mô tả một biến phụ thuộc như là một hàm số tuyến tính
(linear function) của nhiều biến độc lập, trong khi đó mô hình hồi qui đa thức mô tả một
biến phụ thuộc là hàm số phi tuyến tính (non-linear function) của một biến độc lập.
Nói theo ngôn ngữ toán học, mô hình hồi qui đa thức tìm mối liên hệ giữa biến
phụ thuộc y và biến độc lập x theo những hàm số sau đây:
yi = α + β1x + β2x2
+ β3x3
+ .. + βpxp
+ εi.
Trong đó các thông số βj (j = 1, 2, 3, … p) là hệ số đo lường mối liên hệ giữa y và x; và εi
là phần dư của mô hình, với giả định εi tuân theo luật phân phối chuẩn với trung bình 0
và phương sai σ2
. Cho một dãy cặp số (y1, x1), (y2, x2), (y3, x3), …, (yn, xn), chúng ta có
thể áp dụng phương pháp bình phương nhỏ nhất để ước tính βj và σ2
.
Trong mô hình trên, chúng ta có thể dễ dàng thấy rằng mô hình hồi qui đa thức
còn là một phát triển trực tiếp từ mô hình hồi qui tuyến tính đơn giản. Tức là nếu β2 = 0,
β3 = 0, …, và βp = 0, thì mô hình trên đơn giản thành mô hình hồi qui tuyến tính một
biến mà chúng ta gặp trong phần đầu của chương này. Nếu yi = α + β1x + β2x2
+ εi thì
mô hình đơn giản là một phương trình bậc hai, v.v.
Ví dụ 3. Thí nghiệm sau đây tìm mối liên hệ giữa hàm lượng gỗ cứng
(hardwoord concentration) và độ căng (tensile strength) của vật liệu. Mười chín vật liệu
khác nhau với nhiều hàm lượng gỗ cứng được thử nghiệm để đo độ căng mạnh của vật
liệu, và kết quả được tóm lược trong bảng số liệu sau đây:
Id Hàm lượng
gỗ cứng (x)
Độ căng
mạnh (y)
1 1.0 6.3
2 1.5 11.1
3 2.0 20.0
4 3.0 24.0
5 4.0 26.1
6 4.5 30.0
7 5.0 33.8
8 5.5 34.0
9 6.0 38.1
10 6.5 39.9
11 7.0 42.0
12 8.0 46.1

Trước khi phân tích các số liệu này, chúng ta
cần nhập số liệu vào R với những lệnh thông
thường như sau:
> i d < - 1 : 1 9
> c o n c < - c ( 1 . 0 , 1 . 5 , 2 . 0 , 3 . 0 , 4 . 0 ,
4 . 5 , 5 . 0 , 5 . 5 , 6 . 0 ,
6 . 5 , 7 . 0 , 8 . 0 , 9 . 0 , 1 0 . 0 , 1 1 . 0 , 1 2 . 0 , 1 3 . 0 , 1 4 . 0 , 1 5 . 0 )
> s t r e n g t h < - c ( 6 . 3 , 1 1 . 1 , 2 0 . 0 , 2 4 . 0 , 2 6 . 1 , 3 0 . 0 , 3 3 . 8 , 3 4 . 0 , 3 8 . 1 ,
3 9 . 9 , 4 2 . 0 , 4 6 . 1 , 5 3 . 1 , 5 2 . 0 , 5 2 . 5 , 4 8 . 0 , 4 2 . 8 , 2 7 . 8 , 2 1 . 9 )
> d a t a < - d a t a . f r a me ( i d , c o n c , s t r e n g t h )
Chúng ta thử xem mô hình hồi qui tuyến tính đơn giản bằng lệnh:
> s i mp l e . mo d e l < - l m( s t r e n g t h ~ c o n c )
> s u mma r y ( s i mp l e . mo d e l )
Ca l l :
l m( f o r mu l a = s t r e n g t h ~ c o n c )
Re s i d u a l s :
- 2 5 . 9 8 6 - 3 . 7 4 9 2 . 9 3 8 7 . 6 7 5 1 5 . 8 4 0
( I n t e r c e p t ) 2 1 . 3 2 1 3 5 . 4 3 0 2 3 . 9 2 6 0 . 0 0 1 0 9 * *
c o n c 1 . 7 7 1 0 0 . 6 4 7 8 2 . 7 3 4 0 . 0 1 4 1 4 *
- - -
Si g n i f . c o d e s : 0 ' * * * ' 0 . 0 0 1 ' * * ' 0 . 0 1 ' * ' 0 . 0 5 ' . ' 0 . 1 ' ' 1
Re s i d u a l s t a n d a r d e r r o r : 1 1 . 8 2 o n 1 7 d e g r e e s o f f r e e d o m
F - s t a t i s t i c : 7 . 4 7 4 o n 1 a n d 1 7 DF , p - v a l u e : 0 . 0 1 4 1 4
Kết quả trên cho thấy mô hình hồi qui tuyến tính đơn giản này (s t r e n g t h = 2 1 . 3 2
+ 1 . 7 7 * c o n c ) giải thích khoảng 31% phương sai của s t r e n g t h . Ước số phương sai
của mô hình này là: s2
= (11.82)2
= 139.7.
Bây giờ chúng ta xem qua biểu đồ và đường biểu diễn của mô hình trên:
> p l o t ( s t r e n g t h ~ c o n c ,
x l a b = " Co n c e n t r a t i o n o f h a r d wo o d " ,
y l a b = " T e n s i l e s t r e n g t h " ,
ma i n = " Re l a t i o n s h i p b e t we e n h a r d wo o d c o n c e n t r a t i o n n a n d t e n s i l e
s t r e n g t " , p c h = 1 6 )
> a b l i n e ( s i mp l e . mo d e l )
13 9.0 53.1
14 10.0 52.0
15 11.0 52.5
16 12.0 48.0
17 13.0 42.8
18 14.0 27.8
19 15.0 21.9

Qua biểu đồ này, chúng ta thấy rõ
ràng mô hình hồi qui tuyến tính
không thích hợp cho số liệu, bởi vì
mối liên hệ giữa hai biến này
không tuân theo một phương trình
đường thẳng, mà là một đường
cong. Nói cách khác, một mô hình
phương trình bậc hai có lẽ thích
hợp hơn. Gọi y là strength và x là
conc, chúng ta có thể viết mô hình
đó như sau:
yi = α + β1x + β2x2
Bây giờ chúng ta sẽ sử dùng R để
ước tính ba thông số trên.
> q u a d r a t i c < - l m( s t r e n g t h ~
p o l y ( c o n c , 2 ) )
> s u mma r y ( q u a d r a t i c )
Ca l l :
l m( f o r mu l a = s t r e n g t h ~ p o l y ( c o n c , 2 ) )
Re s i d u a l s :
- 5 . 8 5 0 3 - 3 . 2 4 8 2 - 0 . 7 2 6 7 4 . 1 3 5 0 6 . 5 5 0 6
( I n t e r c e p t ) 3 4 . 1 8 4 1 . 0 1 4 3 3 . 7 0 9 2 . 7 3 e - 1 6 * * *
p o l y ( c o n c , 2 ) 1 3 2 . 3 0 2 4 . 4 2 0 7 . 3 0 8 1 . 7 6 e - 0 6 * * *
p o l y ( c o n c , 2 ) 2 - 4 5 . 3 9 6 4 . 4 2 0 - 1 0 . 2 7 0 1 . 8 9 e - 0 8 * * *
- - -
Si g n i f . c o d e s : 0 ' * * * ' 0 . 0 0 1 ' * * ' 0 . 0 1 ' * ' 0 . 0 5 ' . ' 0 . 1 ' ' 1
Re s i d u a l s t a n d a r d e r r o r : 4 . 4 2 o n 1 6 d e g r e e s o f f r e e d o m
Như vậy, mô hình mới này y = 3 4 . 1 8 + 3 2 . 3 0 * x – 4 5 . 4 * x 2
giải thích
khoảng 91% phương sai của y. Phương sai của y bây giờ là s2
= (4.42)2
= 19.5. So với
mô hình tuyến tính, mô hình này rõ ràng là tốt hơn rất nhiều.
Chúng ta thử xét một mô hình cubic (bậc ba) yi = α + β1x + β2x2
+ β3x3
xem có
mô tả y tốt hơn mô hình phương trình bậc hai hay không.
> c u b i c < - l m( s t r e n g t h ~ p o l y ( c o n c , 3 ) )
> s u mma r y ( c u b i c )
2 4 6 8 10 12 14
1020304050
Relationship between hardwood concentration
and tensile strengt
Concentration of hardwood
Tensilestrength
Biểu đồ 10.7. Mối liên hệ giữa hàm lượng gỗ
cứng và độ căng mạnh của vật liệu. Đường thẳng
là đường biểu diễn của mô hình hồi qui tuyến tính
đơn giản.

Ca l l :
l m( f o r mu l a = s t r e n g t h ~ p o l y ( c o n c , 3 ) )
Re s i d u a l s :
- 4 . 6 2 5 0 3 - 1 . 6 1 0 8 5 0 . 0 4 1 2 5 1 . 5 8 9 2 2 5 . 0 2 1 5 9
( I n t e r c e p t ) 3 4 . 1 8 4 2 0 . 5 9 3 1 5 7 . 6 4 1 < 2 e - 1 6 * * *
p o l y ( c o n c , 3 ) 1 3 2 . 3 0 2 1 2 . 5 8 5 0 1 2 . 4 9 6 2 . 4 8 e - 0 9 * * *
p o l y ( c o n c , 3 ) 2 - 4 5 . 3 9 6 3 2 . 5 8 5 0 - 1 7 . 5 6 1 2 . 0 6 e - 1 1 * * *
p o l y ( c o n c , 3 ) 3 - 1 4 . 5 7 4 0 2 . 5 8 5 0 - 5 . 6 3 8 4 . 7 2 e - 0 5 * * *
- - -
Si g n i f . c o d e s : 0 ' * * * ' 0 . 0 0 1 ' * * ' 0 . 0 1 ' * ' 0 . 0 5 ' . ' 0 . 1 ' ' 1
Mô hình cubic này thậm chí có khả năng mô tả y tốt hơn hai mô hình trước, với
hệ số xác định bội (R2
) bằng 0.97, và tất cả các thông số trong mô hình đều có ý nghĩa
thống kê. Biểu đồ sau đây so sánh 3 mô hình trên:
# lặp lại các mô hình trên:
> l i n e a r < - l m( s t r e n g t h ~ c o n c )
> q u a d r a t i c < - l m( s t r e n g t h ~ p o l y ( c o n c , 2 ) )
> c u b i c < - l m( s t r e n g t h ~ p o l y ( c o n c , 3 ) )
# tạo nên một biến x với nhiều số gần nhau
> x n e w < - ( 0 : 1 6 0 ) / 1 0
# Tính giá trị tiên đoán (predictive values) của y
> y 2 = p r e d i c t ( q u a d r a t i c , d a t a . f r a me ( c o n c = x n e w) )
> y 3 = p r e d i c t ( c u b i c , d a t a . f r a me ( c o n c = x n e w) )
# Vẽ 3 đường thẳng, bậc hai và bậc 3
> p l o t ( s t r e n g t h ~ c o n c , p c h = 1 6 ,
ma i n = ” Ha r d wo o d c o n c e n t r a t i o n a n d t e n s i l e s t r e n g t h ” ,
s u b = ” L i n e a r , q u a d r a t i c , a n d c u b i c f i t s ” )
> a b l i n e ( l i n e a r , c o l = ” b l a c k ” )
> l i n e s ( x n e w, y 2 , c o l = ” b l u e ” , l wd = 3 )
> l i n e s ( x n e w, y 3 , c o l = ” r e d ” , l wd = 4 )

2 4 6 8 10 12 14
1020304050
Hardwood concentration and tensile strength
Linear, quadratic, and cubic fits
conc
strength
10.5 Xây dựng mô hình tuyến tính từ nhiều biến
Trong một nghiên cứu thông thường với một biến số phụ thuộc, nhiều biến số độc
lập x1, x2, x3,…., xk, mà k có thể lên đến hàng chục, thậm chí hàng trăm. Các biến độc lập
đó thường liên hệ với nhau. Có rất nhiều tổ hợp biến độc lập có khả năng tiên đoán biến
phụ thuộc y. Ví dụ nếu chúng ta có 3 biến độc lập x1, x2, và x3, để xây dựng mô hình tiên
đoán y, chúng ta có thể phải xem xét các mô hình sau đây: y = f1(x1), y = f2(x2), y =
f3(x3), y = f4(x1, x2,), y = f5(x1, x3,), y = f6(x3, x3,), y = f7(x1, x2, x3), v.v… trong đó fk là
những hàm số được định nghĩa bởi hệ số liên quan đến các biến cụ thể. Khi k cao, số
lượng mô hình cũng lên rất cao.
Vấn đề đặt ra là trong các mô hình đó, mô hình nào có thể tiên đoán y một cách
đầy đủ, đơn giản và hợp lí. Tôi sẽ quay lại ba tiêu chuẩn này trong chương phân tích hồi
qui logistic. Ở đây, tôi chỉ muốn bàn đến một tiêu chuẩn thống kê để xây dựng mộ mô
hình hồi qui tuyến tính. Trong trường hợp có nhiều mô hình như thế, tiêu chuẩn thống kê
để chọn một mô hình tối ưu thường dựa vào tiêu chuẩn thông tin Akaike (còn gọi là AIC
hay Akaike Information Criterion).
Cho một mô hình hồi qui tuyến tính 1 1 2 2
ˆ ˆ ˆˆˆ ...i k ky x x xα β β β= + + + + , chúng ta có
k+1 thông số 1 2
ˆ ˆ ˆˆ, , ,..., kα β β β ), và có thể tính tổng bình phương phần dư (residual sum of
squares, RSS):
( )
2
1
ˆ
n
i i
i
RSS y y
=
= −∑

Trong đó, n là số lượng mẫu. Công thức trên cho thấy nếu mô hình mô tả y đầy đủ thì
RSS sẽ thấp, vì độ khác biệt giữa giá trị tiên đoán ˆy và giá trị quan sát y gần nhau. Một
qui luật chung của phân tích hồi qui tuyến tính là một mô hình với k biến độc lập sẽ có
RSS thấp hơn mô hình với k-1 biến; và tương tự mô hình với k-1 biến sẽ có RSS thấp hơn
mô hình với k-2 biến, v.v… Nói cách khác, mô hình càng có nhiều biến độc lập sẽ “giải
thích” y càng tốt hơn. Nhưng vì một số biến độc lập x liên hệ với nhau, cho nên có thêm
nhiều biến không có nghĩa là RSS sẽ giảm một cách có ý nghĩa. Một phép tính để dung
hòa RSS và số biến độc lập trong một mô hình là AIC, được định nghĩa như sau:
2
log
RSS k
AIC
n n
 
= + 
 
Mô hình nào có giá trị AIC thấp nhất được xem là mô hình “tối ưu”. Trong ví dụ sau
đây, chúng ta sẽ dùng hàm s t e p để tìm một mô hình tối ưu dựa vào giá trị AIC.
Ví dụ 4. Để nghiên cứu ảnh hưởng của các yếu tố như nhiệt độ, thời gian, và
thành phần hóa học đến sản lượng CO2. Số liệu của nghiên cứu này có thể tóm lược
trong bảng số 2. Mục tiêu chính của nghiên cứu là tìm một mô hình hồi qui tuyến tính để
tiên đoán sản lượng CO2, cũng như đánh giá độ ảnh hưởng của các yếu tố này.
Bảng 2. Sản lượng CO2 và một số yếu tố có thể ảnh hưởng đến CO2
Id y X1 X2 X3 X4 X5 X6 X7
1 36.98 5.1 400 51.37 4.24 1484.83 2227.25 2.06
2 13.74 26.4 400 72.33 30.87 289.94 434.90 1.33
3 10.08 23.8 400 71.44 33.01 320.79 481.19 0.97
4 8.53 46.4 400 79.15 44.61 164.76 247.14 0.62
5 36.42 7.0 450 80.47 33.84 1097.26 1645.89 0.22
6 26.59 12.6 450 89.90 41.26 605.06 907.59 0.76
7 19.07 18.9 450 91.48 41.88 405.37 608.05 1.71
8 5.96 30.2 450 98.60 70.79 253.70 380.55 3.93
9 15.52 53.8 450 98.05 66.82 142.27 213.40 1.97
10 56.61 5.6 400 55.69 8.92 1362.24 2043.36 5.08
11 26.72 15.1 400 66.29 17.98 507.65 761.48 0.60
12 20.80 20.3 400 58.94 17.79 377.60 566.40 0.90
13 6.99 48.4 400 74.74 33.94 158.05 237.08 0.63
14 45.93 5.8 425 63.71 11.95 130.66 1961.49 2.04
15 43.09 11.2 425 67.14 14.73 682.59 1023.89 1.57
16 15.79 27.9 425 77.65 34.49 274.20 411.30 2.38
17 21.60 5.1 450 67.22 14.48 1496.51 2244.77 0.32
18 35.19 11.7 450 81.48 29.69 652.43 978.64 0.44
19 26.14 16.7 450 83.88 26.33 458.42 687.62 8.82
20 8.60 24.8 450 89.38 37.98 312.25 468.38 0.02
21 11.63 24.9 450 79.77 25.66 307.08 460.62 1.72
22 9.59 39.5 450 87.93 22.36 193.61 290.42 1.88
23 4.42 29.0 450 79.50 31.52 155.96 233.95 1.43
24 38.89 5.5 460 72.73 17.86 1392.08 2088.12 1.35
25 11.19 11.5 450 77.88 25.20 663.09 994.63 1.61
26 75.62 5.2 470 75.50 8.66 1464.11 2196.17 4.78

27 36.03 10.6 470 83.15 22.39 720.07 1080.11 5.88
Chú thích: y = sản lượng CO2; X1 = thời gian (phút); X2 = nhiệt độ (C); X3 = phần trăm hòa tan; X4 =
lượng dầu (g/100g); X5 = lượng than đá; X6 = tổng số lượng hòa tan; X7 = số hydrogen tiêu thụ.
Trước khi phân tích số liệu, chúng ta cần nhập số liệu vào R bằng các lệnh thông thường.
Số liệu sẽ chứa trong đối tượng REGd a t a .
> y < - c ( 3 6 . 9 8 , 1 3 . 7 4 , 1 0 . 0 8 , 8 . 5 3 , 3 6 . 4 2 , 2 6 . 5 9 , 1 9 . 0 7 , 5 . 9 6 , 1 5 . 5 2 , 5 6 . 6 1 ,
2 6 . 7 2 , 2 0 . 8 0 , 6 . 9 9 , 4 5 . 9 3 , 4 3 . 0 9 , 1 5 . 7 9 , 2 1 . 6 0 , 3 5 . 1 9 , 2 6 . 1 4 , 8 . 6 0 ,
1 1 . 6 3 , 9 . 5 9 , 4 . 4 2 , 3 8 . 8 9 , 1 1 . 1 9 , 7 5 . 6 2 , 3 6 . 0 3 )
> x 1 < - c ( 5 . 1 , 2 6 . 4 , 2 3 . 8 , 4 6 . 4 , 7 . 0 , 1 2 . 6 , 1 8 . 9 , 3 0 . 2 , 5 3 . 8 , 5 . 6 , 1 5 . 1 , 2 0 . 3 , 4 8 . 4 ,
5 . 8 , 1 1 . 2 , 2 7 . 9 , 5 . 1 , 1 1 . 7 , 1 6 . 7 , 2 4 . 8 , 2 4 . 9 , 3 9 . 5 , 2 9 . 0 , 5 . 5 , 1 1 . 5 ,
5 . 2 , 1 0 . 6 )
> x 2 < - c ( 4 0 0 , 4 0 0 , 4 0 0 , 4 0 0 , 4 5 0 , 4 5 0 , 4 5 0 , 4 5 0 , 4 5 0 , 4 0 0 , 4 0 0 , 4 0 0 ,
4 0 0 , 4 2 5 , 4 2 5 , 4 2 5 , 4 5 0 , 4 5 0 , 4 5 0 , 4 5 0 , 4 5 0 , 4 5 0 , 4 5 0 , 4 6 0 ,
4 5 0 , 4 7 0 , 4 7 0 )
> x 3 < - c ( 5 1 . 3 7 , 7 2 . 3 3 , 7 1 . 4 4 , 7 9 . 1 5 , 8 0 . 4 7 , 8 9 . 9 0 , 9 1 . 4 8 , 9 8 . 6 0 , 9 8 . 0 5 , 5 5 . 6 9 ,
6 6 . 2 9 , 5 8 . 9 4 , 7 4 . 7 4 , 6 3 . 7 1 , 6 7 . 1 4 , 7 7 . 6 5 , 6 7 . 2 2 , 8 1 . 4 8 , 8 3 . 8 8 , 8 9 . 3 8 ,
7 9 . 7 7 , 8 7 . 9 3 , 7 9 . 5 0 , 7 2 . 7 3 , 7 7 . 8 8 , 7 5 . 5 0 , 8 3 . 1 5 )
> x 4 < - c ( 4 . 2 4 , 3 0 . 8 7 , 3 3 . 0 1 , 4 4 . 6 1 , 3 3 . 8 4 , 4 1 . 2 6 , 4 1 . 8 8 , 7 0 . 7 9 , 6 6 . 8 2 ,
8 . 9 2 , 1 7 . 9 8 , 1 7 . 7 9 , 3 3 . 9 4 , 1 1 . 9 5 , 1 4 . 7 3 , 3 4 . 4 9 , 1 4 . 4 8 , 2 9 . 6 9 , 2 6 . 3 3 ,
3 7 . 9 8 , 2 5 . 6 6 , 2 2 . 3 6 , 3 1 . 5 2 , 1 7 . 8 6 , 2 5 . 2 0 , 8 . 6 6 , 2 2 . 3 9 )
> x 5 < - c ( 1 4 8 4 . 8 3 , 2 8 9 . 9 4 , 3 2 0 . 7 9 , 1 6 4 . 7 6 , 1 0 9 7 . 2 6 , 6 0 5 . 0 6 , 4 0 5 . 3 7 ,
2 5 3 . 7 0 , 1 4 2 . 2 7 , 1 3 6 2 . 2 4 , 5 0 7 . 6 5 , 3 7 7 . 6 0 , 1 5 8 . 0 5 , 1 3 0 . 6 6 ,
6 8 2 . 5 9 , 2 7 4 . 2 0 , 1 4 9 6 . 5 1 , 6 5 2 . 4 3 , 4 5 8 . 4 2 , 3 1 2 . 2 5 , 3 0 7 . 0 8 ,
1 9 3 . 6 1 , 1 5 5 . 9 6 , 1 3 9 2 . 0 8 , 6 6 3 . 0 9 , 1 4 6 4 . 1 1 , 7 2 0 . 0 7 )
> x 6 < - c ( 2 2 2 7 . 2 5 , 4 3 4 . 9 0 , 4 8 1 . 1 9 , 2 4 7 . 1 4 , 1 6 4 5 . 8 9 , 9 0 7 . 5 9 , 6 0 8 . 0 5 ,
3 8 0 . 5 5 , 2 1 3 . 4 0 , 2 0 4 3 . 3 6 , 7 6 1 . 4 8 , 5 6 6 . 4 0 , 2 3 7 . 0 8 , 1 9 6 1 . 4 9 , 1 0 2 3 . 8 9 ,
4 1 1 . 3 0 , 2 2 4 4 . 7 7 , 9 7 8 . 6 4 , 6 8 7 . 6 2 , 4 6 8 . 3 8 , 4 6 0 . 6 2 , 2 9 0 . 4 2 ,
2 3 3 . 9 5 , 2 0 8 8 . 1 2 , 9 9 4 . 6 3 , 2 1 9 6 . 1 7 , 1 0 8 0 . 1 1 )
> x 7 < - c ( 2 . 0 6 , 1 . 3 3 , 0 . 9 7 , 0 . 6 2 , 0 . 2 2 , 0 . 7 6 , 1 . 7 1 , 3 . 9 3 , 1 . 9 7 , 5 . 0 8 , 0 . 6 0 , 0 . 9 0 ,
0 . 6 3 , 2 . 0 4 , 1 . 5 7 , 2 . 3 8 , 0 . 3 2 , 0 . 4 4 , 8 . 8 2 , 0 . 0 2 , 1 . 7 2 , 1 . 8 8 , 1 . 4 3 ,
1 . 3 5 , 1 . 6 1 , 4 . 7 8 , 5 . 8 8 )
> REGd a t a < - d a t a . f r a me ( y , x 1 , x 2 , x 3 , x 4 , x 5 , x 6 , x 7 )
Trước khi phân tích số liệu, chúng ta cần nhập số liệu vào R bằng các lệnh thông thường.
Số liệu sẽ chứa trong đối tượng REGd a t a .
Bây giờ chúng ta bắt đầu phân tích. Mô hình đầu tiên là mô hình gồm tất cả 7 biến độc
lập như sau:
> r e g < - l m( y ~ x 1 + x 2 + x 3 + x 4 + x 5 + x 6 + x 7 , d a t a = REGd a t a )
> s u mma r y ( r e g )
Ca l l :
l m( f o r mu l a = y ~ x 1 + x 2 + x 3 + x 4 + x 5 + x 6 + x 7 , d a t a = REGd a t a )
Re s i d u a l s :
- 2 0 . 0 3 5 - 4 . 6 8 1 - 1 . 1 4 4 4 . 0 7 2 2 1 . 2 1 4
( I n t e r c e p t ) 5 3 . 9 3 7 0 1 6 5 7 . 4 2 8 9 5 2 0 . 9 3 9 0 . 3 5 9 4

x 1 - 0 . 1 2 7 6 5 3 0 . 2 8 1 4 9 8 - 0 . 4 5 3 0 . 6 5 5 3
x 2 - 0 . 2 2 9 1 7 9 0 . 2 3 2 6 4 3 - 0 . 9 8 5 0 . 3 3 7 0
x 3 0 . 8 2 4 8 5 3 0 . 7 6 5 2 7 1 1 . 0 7 8 0 . 2 9 4 6
x 4 - 0 . 4 3 8 2 2 2 0 . 3 5 8 5 5 1 - 1 . 2 2 2 0 . 2 3 6 6
x 5 - 0 . 0 0 1 9 3 7 0 . 0 0 9 6 5 4 - 0 . 2 0 1 0 . 8 4 3 1
x 6 0 . 0 1 9 8 8 6 0 . 0 0 8 0 8 8 2 . 4 5 9 0 . 0 2 3 7 *
x 7 1 . 9 9 3 4 8 6 1 . 0 8 9 7 0 1 1 . 8 2 9 0 . 0 8 3 1 .
- - -
Si g n i f . c o d e s : 0 ' * * * ' 0 . 0 0 1 ' * * ' 0 . 0 1 ' * ' 0 . 0 5 ' . ' 0 . 1 ' ' 1
Re s i d u a l s t a n d a r d e r r o r : 1 0 . 6 1 o n 1 9 d e g r e e s o f f r e e d o m
Mu l t i p l e R- Sq u a r e d : 0 . 7 2 8 , Ad j u s t e d R- s q u a r e d : 0 . 6 2 7 8
F - s t a t i s t i c : 7 . 2 6 4 o n 7 a n d 1 9 DF , p - v a l u e : 0 . 0 0 0 2 6 7 4
Kết quả trên cho thấy tất cả 7 biến số “giải thích” khoảng 73% phương sai của y. Nhưng
trong 7 biến đó, chỉ có x 6 là có ý nghĩa thống kê (p = 0.024). Chúng ta thử giảm mô
hình thành một mô hình hồi qui tuyến tính đơn giản với chỉ biến x 6 .
> s u mma r y ( l m( y ~ x 6 , d a t a = REGd a t a ) )
Ca l l :
l m( f o r mu l a = y ~ x 6 , d a t a = REGd a t a )
Re s i d u a l s :
- 2 8 . 0 8 1 - 5 . 8 2 9 - 0 . 8 3 9 5 . 5 2 2 2 6 . 8 8 2
( I n t e r c e p t ) 6 . 1 4 4 1 8 1 3 . 4 8 3 0 6 4 1 . 7 6 4 0 . 0 9 .
x 6 0 . 0 1 9 3 9 5 0 . 0 0 2 9 3 2 6 . 6 1 6 6 . 2 4 e - 0 7 * * *
- - -
Si g n i f . c o d e s : 0 ' * * * ' 0 . 0 0 1 ' * * ' 0 . 0 1 ' * ' 0 . 0 5 ' . ' 0 . 1 ' ' 1
Re s i d u a l s t a n d a r d e r r o r : 1 0 . 7 o n 2 5 d e g r e e s o f f r e e d o m
Chỉ với một biến x 6 mà mô hình có thể giải thích khoảng 64% phương sai của y. Chúng
ta chấp nhận mô hình này? Trước khi chấp nhận mô hình này, chúng ta phải xem xét độ
tương quan giữa các biến độc lập:
> p a i r s ( REGd a t a )

y
10 30 50 50 70 90 200 1000 0 4 8
104070
103050
x1
x2
400440
507090
x3
x4
104070
2001000
x5
x6
5002000
10 40 70
048
400 440 10 40 70 500 2000
x7
Kết quả trên cho thấy y có liên hệ với các biến như x 1 , x 5 và x 6 . Ngoài ra, biến x 5 và
x 6 có một mối liên hệ rất mật thiết (gần như là một đường thẳng) với hệ số tương quan
là 0.88. Ngoài ra, x 5 và x 1 hay x 6 và x 5 cũng có liên hệ với nhau nhưng theo một hàm
số nghịch đảo. Điều này có nghĩa là biến x 5 và x 6 cung cấp một lượng thông tin như
nhau để tiên đoán y, tức là chúng ta không cần cả hai trong mộ mô hình.
Để tìm một mô hình tối ưu trong bối cảnh có nhiều mối tương quan như thế, chúng ta ứng
dụng s t e p như sau. Chú ý cách cung cấp thông số l m( y ~ . ) , dấu “.” có nghĩa là
yêu cầu R xem xét tất cả biến trong đối tượng REGd a t a .
> r e g < - l m( y ~ . , d a t a = REGd a t a )
> s t e p ( r e g , d i r e c t i o n = ” b o t h ” )
St a r t : AI C= 1 3 4 . 0 7
y ~ x 1 + x 2 + x 3 + x 4 + x 5 + x 6 + x 7
Df Su m o f Sq RSS AI C
- x 5 1 4 . 5 4 2 1 4 5 . 3 7 1 3 2 . 1 3
- x 1 1 2 3 . 1 7 2 1 6 4 . 0 0 1 3 2 . 3 6
- x 2 1 1 0 9 . 3 4 2 2 5 0 . 1 8 1 3 3 . 4 2
- x 3 1 1 3 0 . 9 0 2 2 7 1 . 7 4 1 3 3 . 6 8
< n o n e > 2 1 4 0 . 8 3 1 3 4 . 0 7
- x 4 1 1 6 8 . 3 1 2 3 0 9 . 1 4 1 3 4 . 1 2
- x 7 1 3 7 7 . 0 9 2 5 1 7 . 9 2 1 3 6 . 4 5
- x 6 1 6 8 1 . 0 9 2 8 2 1 . 9 2 1 3 9 . 5 3
St e p 1 : AI C= 1 3 2 . 1 3
y ~ x 1 + x 2 + x 3 + x 4 + x 6 + x 7
- x 1 1 2 2 . 7 2 1 6 8 . 1 1 3 0 . 4
- x 2 1 1 1 3 . 8 2 2 5 9 . 1 1 3 1 . 5
- x 3 1 1 3 3 . 5 2 2 7 8 . 9 1 3 1 . 8
< n o n e > 2 1 4 5 . 4 1 3 2 . 1
- x 4 1 1 7 0 . 8 2 3 1 6 . 2 1 3 2 . 2
+ x 5 1 4 . 5 2 1 4 0 . 8 1 3 4 . 1
- x 7 1 3 7 5 . 7 2 5 2 1 . 1 1 3 4 . 5
- x 6 1 1 0 5 8 . 5 3 2 0 3 . 8 1 4 1 . 0
St e p 2 : AI C= 1 3 0 . 4 2
y ~ x 2 + x 3 + x 4 + x 6 + x 7
St e p 3 : AI C= 1 2 9 . 5 9
y ~ x 3 + x 4 + x 6 + x 7

- x 2 1 9 6 . 8 2 2 6 4 . 9 1 2 9 . 6
- x 3 1 1 2 2 . 0 2 2 9 0 . 0 1 2 9 . 9
< n o n e > 2 1 6 8 . 1 1 3 0 . 4
- x 4 1 1 8 7 . 4 2 3 5 5 . 5 1 3 0 . 7
+ x 1 1 2 2 . 7 2 1 4 5 . 4 1 3 2 . 1
+ x 5 1 4 . 1 2 1 6 4 . 0 1 3 2 . 4
- x 7 1 3 8 5 . 0 2 5 5 3 . 1 1 3 2 . 8
- x 6 1 1 5 2 6 . 2 3 6 9 4 . 3 1 4 2 . 8
- x 3 1 2 5 . 4 2 2 9 0 . 3 1 2 7 . 9
- x 4 1 9 0 . 9 2 3 5 5 . 8 1 2 8 . 7
< n o n e > 2 2 6 4 . 9 1 2 9 . 6
+ x 2 1 9 6 . 8 2 1 6 8 . 1 1 3 0 . 4
+ x 5 1 8 . 3 2 2 5 6 . 5 1 3 1 . 5
+ x 1 1 5 . 7 2 2 5 9 . 1 1 3 1 . 5
- x 7 1 3 8 4 . 9 2 6 4 9 . 7 1 3 1 . 8
- x 6 1 2 0 1 5 . 6 4 2 8 0 . 5 1 4 4 . 8
St e p 4 : AI C= 1 2 7 . 9
y ~ x 4 + x 6 + x 7
- x 4 1 7 3 . 5 2 3 6 3 . 8 1 2 6 . 7
< n o n e > 2 2 9 0 . 3 1 2 7 . 9
+ x 3 1 2 5 . 4 2 2 6 4 . 9 1 2 9 . 6
+ x 1 1 1 1 . 3 2 2 7 9 . 0 1 2 9 . 8
+ x 5 1 6 . 3 2 2 8 4 . 0 1 2 9 . 8
+ x 2 1 0 . 3 2 2 9 0 . 0 1 2 9 . 9
- x 7 1 4 8 6 . 6 2 7 7 6 . 9 1 3 1 . 1
- x 6 1 1 9 9 3 . 8 4 2 8 4 . 1 1 4 2 . 8
St e p 5 : AI C= 1 2 6 . 7 5
y ~ x 6 + x 7
< n o n e > 2 3 6 3 . 8 1 2 6 . 7
+ x 4 1 7 3 . 5 2 2 9 0 . 3 1 2 7 . 9
+ x 1 1 3 3 . 4 2 3 3 0 . 4 1 2 8 . 4
+ x 3 1 8 . 1 2 3 5 5 . 8 1 2 8 . 7
+ x 5 1 7 . 7 2 3 5 6 . 1 1 2 8 . 7
+ x 2 1 7 . 3 2 3 5 6 . 6 1 2 8 . 7
- x 7 1 4 9 7 . 3 2 8 6 1 . 2 1 2 9 . 9
- x 6 1 4 4 7 7 . 0 6 8 4 0 . 8 1 5 3 . 4
Ca l l :
l m( f o r mu l a = y ~ x 6 + x 7 , d a t a =
REGd a t a )
( I n t e r c e p t ) x 6 x 7
2 . 5 2 6 4 6 0 . 0 1 8 5 2 2 . 1 8 5 7 5
Quá trình tìm mô hình tối ưu dừng ở mô hình với hai biến x 6 và x 7 , vì mô hình này có
giá trị AIC thấp nhất. Phương trình tuyến tính tiên đoán y là: y = 2.526 + 0.0185(x 6 ) +
2.186(x 7 ).
> s u mma r y ( l m( y ~ x 6 + x 7 , d a t a = REGd a t a ) )
Ca l l :
l m( f o r mu l a = y ~ x 6 + x 7 , d a t a = REGd a t a )
Re s i d u a l s :
- 2 3 . 2 0 3 5 - 4 . 3 7 1 3 0 . 2 5 1 3 4 . 9 3 3 9 2 1 . 9 6 8 2
( I n t e r c e p t ) 2 . 5 2 6 4 6 0 3 . 6 1 0 0 5 5 0 . 7 0 0 0 . 4 9 0 8
x 6 0 . 0 1 8 5 2 2 0 . 0 0 2 7 4 7 6 . 7 4 2 5 . 6 6 e - 0 7 * * *
x 7 2 . 1 8 5 7 5 3 0 . 9 7 2 6 9 6 2 . 2 4 7 0 . 0 3 4 1 *
- - -
Si g n i f . c o d e s : 0 ' * * * ' 0 . 0 0 1 ' * * ' 0 . 0 1 ' * ' 0 . 0 5 ' . ' 0 . 1 ' ' 1

Phân tích chi tiết (kết quả trên) cho thấy hai biến này giải thích khoảng 70% phương sai
của y.
10.6 Xây dựng mô hình tuyến tính bằng Bayesian Model
Average (BMA)
Một vấn đề trong cách xây dựng mô hình trên là mô hình với x 6 và x 7 được xem
là mô hình sau cùng, trong khi đó chúng ta biết rằng một mô hình x 5 và x 7 cũng có thể
là một mô hình khả dĩ, bởi vì x 5 và x 6 có mối tương quan rất gần nhau. Nếu nghiên cứu
được tiến hành tiếp và với thêm số liệu mới, có lẽ một mô hình khác sẽ “ra đời”.
Để đánh giá sự bất định trong việc xây dựng mô hình thống kê, một phép tính
khác có triển vọng tốt hơn cách phép tính trên là BMA (Bayesian Model Average). Bạn
đọc muốn tìm hiểu thêm về phép tính này có thể tham khảo vài bài báo khoa học dưới
đây. Nói một cách ngắn gọn, phép tính BMA tìm tất cả các mô hình khả dĩ (với 7 biến
độc lập, số mô hình khả dĩ là 27
= 128, chưa tính đến các mô hình tương tác!) và trình bày
kết quả của các mô hình được xem là “tối ưu” nhất về lâu về dài. Tiêu chuẩn tối ưu cũng
dựa vào giá trị AIC.
Để tiến hành phép tính BMA, chúng ta phải dùng đến package BMA (có thể tải về
từ trang web của R http://cran.R-project.org). Sau khi đã có cài đặt package BMA trong
máy tính, chúng ta ra phải nhập BMA vào môi trường vận hành của R bằng lệnh:
> l i b r a r y ( BMA)
Sau đó, tạo ra một ma trận chỉ gồm các biến độc lập. Trong data frame chúng ta biết
REGd a t a có 8 biến, với biến số 1 là y. Do đó, lệnh REGd a t a [ , - 1 ] có nghĩa là tạo
ra một data frame mới ngoại trừ cột thứ nhất (tức y).
> x v a r s < - REGd a t a [ , - 1 ]
Kế tiếp, chúng ta định nghĩa biến phụ thuộc tên c o 2 từ REGd a t a :
> c o 2 < - REGd a t a [ , 1 ]
Bây giờ chúng ta đã sẵn sàng phân tích bằng phép tính BMA. Hàm b i c r e g được viết
đặc biệt cho phân tích hồi qui tuyến tính. Cách áp dụng hàm b i c r e g như sau:
> b ma < - b i c r e g ( x v a r s , c o 2 , s t r i c t = F AL SE, OR= 2 0 )
Chúng ta sử dụng hàm s u mma r y để biết kết quả:
> s u mma r y ( b ma )
Ca l l :
b i c r e g ( x = x v a r s , y = c o 2 , s t r i c t = F AL SE, OR = 2 0 )
1 6 mo d e l s we r e s e l e c t e d

Be s t 5 mo d e l s ( c u mu l a t i v e p o s t e r i o r p r o b a b i l i t y = 0 . 6 5 9 9 ) :
p ! = 0 EV SD mo d e l 1 mo d e l 2 mo d e l 3 mo d e l 4 mo d e l 5
I n t e r c e p t 1 0 0 . 0 5 . 7 5 6 7 2 1 4 . 6 2 4 4 2 . 5 2 6 4 6 . 1 4 4 1 8 . 6 1 2 0 7 . 5 9 3 6 7 . 3 5 3 7
x 1 1 2 . 4 - 0 . 0 1 8 0 7 0 . 1 0 0 8 . . . - 0 . 1 3 9 3 .
x 2 1 0 . 4 - 0 . 0 0 0 7 5 0 . 0 2 8 2 . . . . .
x 3 1 0 . 7 0 . 0 0 0 1 1 0 . 0 7 9 1 . . . . - 0 . 0 5 7 2
x 4 2 0 . 2 - 0 . 0 3 0 5 9 0 . 1 0 2 0 . . - 0 . 1 4 1 9 . .
x 5 1 0 . 5 - 0 . 0 0 0 2 3 0 . 0 0 3 0 . . . . .
x 6 1 0 0 . 0 0 . 0 1 8 1 5 0 . 0 0 4 0 0 . 0 1 8 5 0 . 0 1 9 3 0 . 0 1 6 4 0 . 0 1 6 2 0 . 0 1 7 9
x 7 7 3 . 7 1 . 6 0 7 6 6 1 . 2 8 2 1 2 . 1 8 5 7 . 2 . 1 6 2 8 2 . 1 2 3 3 2 . 2 3 8 2
n Va r 2 1 3 3 3
r 2 0 . 7 0 0 0 . 6 3 6 0 . 7 0 9 0 . 7 0 4 0 . 7 0 1
BI C - 2 5 . 8 8 3 2 - 2 4 . 0 2 3 8 - 2 3 . 4 4 1 2 - 2 2 . 9 7 2 1 - 2 2 . 6 8 0 1
p o s t p r o b 0 . 3 1 1 0 . 1 2 3 0 . 0 9 2 0 . 0 7 2 0 . 0 6 3
BMA trình bày kết quả của 5 mô hình được đánh giá là tối ưu nhất cho tiên đoán y
(mo d e l 1 , mo d e l 2 , … mo d e l 5 ).
• Cột thứ nhất liệt kê danh sách các biến số độc lập;
• Cột 2 trình bày xác suất giả thiết một biến độc lập có ảnh hưởng đến y. Chẳng
hạn như xác suất là x 6 có ảnh hưởng đến y là 100%; trong khi đó xác suất mà x 7
có ảnh hưởng đến y là 73.7%. Tuy nhiên xác suất các biến khác thấp hơn hay chỉ
bằng 20%. Do đó, chúng ta có thể nói rằng mô hình với x 6 và x 7 có lẽ là mô
hình tối ưu nhất.
• Cột 3 (EV) và 4 (SD) trình bày trị số trung bình và độ lệch chuẩn của hệ số cho
mỗi biến số độc lập.
• Cột 5 là ước tính hệ số ảnh hưởng (regression coefficient) của mô hình 1. Như
thấy trong cột này, mô hình 1 gồm intercept (tức α), và hai biến x 6 và x 7 . Mô
hình này giải thích (như chúng ta đã biết qua phân tích phần trên) 70% phương sai
của y. Trị số BIC (Bayesian Information Criterion) thấp nhất. Trong số tất cả mô
hình mà BMA tìm, mô hình này có xác suất xuất hiện là 31.1%.
• Cột 6 là ước tính hệ số ảnh hưởng của mô hình 2. Như thấy trong cột này, mô
hình 2 gồm intercept (tức α), và biến x 6 . Mô hình này giải thích 64% phương sai
của y. Trong số tất cả mô hình mà BMA tìm, mô hình này có xác suất xuất hiện
chỉ là 12.3%.
• Các mô hình khác cũng có thể diễn dịch một cách tương tự.
Một cách thể hiện kết quả trên là qua một biểu đồ như sau:
> i ma g e p l o t . b ma ( b ma )

M odels selected by BMA
Model #
1 2 3 4 5 6 7 8 10 13
x7
x6
x5
x4
x3
x2
x1
Biểu đồ này trình bày 13 mô hình. Trong 13 mô hình đó, biến x 6 xuất hiện một
cách nhất quán. Kế đến là biến x 7 cũng có xuất hiện trong một số mô hình, nhưng như
chúng ta biết xác suất là 74%.
Trong ví dụ này, cả hai phép tính đều cho ra một kết quả nhất quán, nhưng trong
nhiều trường hợp, hai phép tính có thể cho ra kết quả khác nhau. Nhiều nghiên cứu lí
thuyết gần đây cho thấy kết quả từ phép tính BMA rất đáng tin cậy, và trong tương lai, có
lẽ là phương pháp chuẩn để xây dựng mô hình.
Tài liệu tham khảo cho BMA
Raftery, Adrian E. (1995). Bayesian model selection in social research (with Discussion).
Sociological Methodology 1995 (Peter V. Marsden, ed.), pp. 111-196, Cambridge, Mass.:
Blackwells.
Một số bài báo liên quan đến BMA có thể tải từ trang web sau đây:
www.stat.colostate.edu/~jah/papers.

Phân tích hồi quy và ngôn ngữ R (1): Phân tích hồi quy tuyến tính

More Related Content

What's hot (20)

Similar to Phân tích hồi quy và ngôn ngữ R (1): Phân tích hồi quy tuyến tính (20)

Recently uploaded (6)

Phân tích hồi quy và ngôn ngữ R (1): Phân tích hồi quy tuyến tính