#> # 一个 tibble：142 × 13 #> country continent r.squared adj.r.squared sigma #> #> 1 Afghanistan Asia 0.948 0.942 1.223 #> 2 Albania Europe 0.911 0.902 1.983 #> 3 Algeria Africa 0.985 0.984 1.323 #> 4 Angola Africa 0.888 0.877 1.407 #> 5 Argentina Americas 0.996 0.995 0.292 #> 6 Australia Oceania 0.980 0.978 0.621 #> # ... 还有 136 行，以及 8 个更多变量： #> # statistic , p.value , df , logLik , #> # AIC , BIC , deviance , df.residual

（注意那些没有被打印出来的变量：里面有很多有用的东西。）

有了这个数据框，我们就可以开始寻找拟合不佳的模型：

glance %>% arrange(r.squared) #> # 一个 tibble：142 × 13 #> country continent r.squared adj.r.squared sigma #> #> 1 卢旺达 非洲 0.0172 -0.08112 6.56 #> 2 博茨瓦纳 非洲 0.0340 -0.06257 6.11 #> 3 津巴布韦 非洲 0.0562 -0.03814 7.21 #> 4 赞比亚 非洲 0.0598 -0.03418 4.53 #> 5 斯威士兰 非洲 0.0682 -0.02497 6.64 #> 6 莱索托 非洲 0.0849 -0.00666 5.93 #> # ... 还有 136 个更多行，以及 8 个更多变量： #> # statistic , p.value , df , logLik , #> # AIC , BIC , deviance , df.residual

最差的模型似乎都出现在非洲。让我们用图来再次验证一下。这里观测值数量相对较少，且变量是离散的，所以 geom_jitter() 很有效：

glance %>% ggplot(aes(continent, r.squared)) + geom_jitter(width = 0.5)