与标准（OLS）线性模型一样，模型适用性的评价对于广义线性模型也非常重要。但遗憾的

是，对于标准的评价过程，统计圈子仍莫衷一是。一般来说，

当评价模型的适用性时，你可以绘制初始响应变量的预测值与残差的图形。例如，如下代码

可绘制一个常见的诊断图：

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

residuals(model, type= "deviance"))

其中， model为glm()函数返回的对象。

R将列出帽子值（hat value）、学生化残差值和Cook距离统计量的近似值。不过，对于识别异

常点的阈值，现在并没统一答案，它们都是通过相互比较来进行判断。其中一个方法就是绘制各

统计量的参考图，然后找出异常大的值。例如，如下代码可创建三幅诊断图：

plot(hatvalues(model))

plot(rstudent(model))

plot(cooks.distance(model))

你还可以用其他方法，代码如下：

library(car)

influencePlot(model)

它可以创建一个综合性的诊断图。在后面的图形中，横轴代表杠杆值，纵轴代表学生化残差

值，而绘制的符号大小与Cook距离大小成正比。

当响应变量有许多值时，诊断图非常有用；而当响应变量只有有限个值时（比如Logistic回

归），诊断图的功效就会降低很多。

若想更深入了解广义线性模型的回归诊断，可参考Fox（2008）和Faraway（2006）。