Encontrar los outliers de un LM, LMM, GLM

Encontrar los outliers de un LM, LMM, GLM.

Usage

outliers.plot3(model)

Arguments

model

Modelo GLM, GLMM o LM.

Value

Encontrar los outliers de un modelo y graficarlos.

Examples

data(iris)
modelo <- glm(Petal.Width ~ Petal.Length, family = gaussian("log"), data=iris)
outliers.plot3(modelo)

#>     1     2     3     4     5     6     7     8     9    10    11    12    13 
#> FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE 
#>    14    15    16    17    18    19    20    21    22    23    24    25    26 
#> FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE 
#>    27    28    29    30    31    32    33    34    35    36    37    38    39 
#> FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE 
#>    40    41    42    43    44    45    46    47    48    49    50    51    52 
#> FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE 
#>    53    54    55    56    57    58    59    60    61    62    63    64    65 
#> FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE 
#>    66    67    68    69    70    71    72    73    74    75    76    77    78 
#> FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE 
#>    79    80    81    82    83    84    85    86    87    88    89    90    91 
#> FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE 
#>    92    93    94    95    96    97    98    99   100   101   102   103   104 
#> FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE 
#>   105   106   107   108   109   110   111   112   113   114   115   116   117 
#> FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE 
#>   118   119   120   121   122   123   124   125   126   127   128   129   130 
#>  TRUE  TRUE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE 
#>   131   132   133   134   135   136   137   138   139   140   141   142   143 
#> FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE 
#>   144   145   146   147   148   149   150 
#> FALSE FALSE FALSE FALSE FALSE FALSE FALSE 
#> Las distancias de Cook, es una medida de cómo influye la observación identificada como outlier sobre la estimación de B (pendiente) al ser retirada del conjunto de datos. Una distancia de Cook grande significa que una observación tiene un peso grande en la estimación de la pendiente.