Bagaimana Mengevaluasi Data Linear dengan R - dummies

Sememangnya, R menyediakan satu set ujian yang berbeza dan langkah-langkah untuk menilai sejauh mana model anda sesuai dengan data anda serta melihat andaian model. Sekali lagi, gambaran yang dibentangkan di sini jauh dari lengkap, tetapi ia memberi anda idea tentang apa yang mungkin dan titik permulaan untuk melihat lebih mendalam mengenai isu ini.

Bagaimana untuk meringkaskan model

Fungsi ringkasan () dengan segera mengembalikan kepada anda ujian F untuk model yang dibina dengan aov (). Untuk model lm (), ini sedikit berbeza. Lihatlah output:

>> Model. ringkasan Model. ringkasan Panggilan: lm (formula = mpg ~ wt, data = mtcars) Sisa: Min 1Q Median 3Q Max -4. 5432 -2. 3647 -0. 1252 1. 4096 6. 8727 Koefisien: Anggarkan Std. Ralat t nilai Pr (> | t |) (Pintas) 37. 2851 1. 8776 19. 858 <2e-16 *** wt -5. 3445 0. 5591 -9. 559 1. 29e-10 *** --- Signif. kod: 0 '***' 0. 001 '**' 0. 01 '*' 0. 05 '. '0. 1' 1 Kesilapan standard residual: 3. 046 pada 30 darjah kebebasan Berbilang R-kuadrat: 0. 7528, Laraskan R-kuasa: 0. 7446 F-statistik: 91. 38 pada 1 dan 30 DF, p- nilai: 1. 294e-10

Itulah banyak maklumat yang berguna Di sini anda melihat perkara berikut:

Pengedaran sisa, yang memberi anda idea pertama tentang seberapa baik andaian model linier memegang

• Koefisien yang diiringi oleh ujian t, memberitahu anda sejauh mana setiap pekali berbeza jauh dari sifar

• Kaedah kebaikan yang sesuai R

• 2 > dan diselaraskan R ² Ujian F yang memberi anda idea tentang sama ada model anda menerangkan sebahagian besar varians dalam data anda

• Anda boleh menggunakan fungsi koef () untuk mengekstrak matriks dengan anggaran, kesilapan standard, dan t-nilai dan nilai p untuk pekali dari objek ringkasan seperti ini: >> coef (Ringkasan Model) Anggarkan Kesilapan Std t nilai Pr (> | t |) (Pintas) 37. 285126 1. 877627 19. 857575 8. 241799e-19 wt -5. 344472 0. 559101 -9. 559044 1. 293959e-10

  Jika syarat-syarat ini tidak memberitahu anda apa-apa, melihatnya dalam sumber yang baik tentang pemodelan. Untuk pengenalan yang luas untuk memohon dan mentafsir model linear dengan betul, lihat

Model Statistik Gunaan Terapan,

Edisi ke-5, oleh Michael Kutner et al (McGraw-Hill / Irwin).

Bagaimana untuk menguji kesan istilah model Untuk mendapatkan analisa jadual varians - seperti ringkasan () fungsi membuat model ANOVA - anda hanya menggunakan fungsi anova () dan lulus model lm () objek sebagai hujah, seperti ini: >> Model. anova Model. anova Analisis Variance Response Jadual: mpg Df Sum Sq Mean Sq F value Pr (> F) wt 1 847.73 847. 73 91. 375 1. 294e-10 *** Residual 30 278. 32 9. 28 --- Signif. kod: 0 '***' 0. 001 '**' 0. 01 '*' 0. 05 '. '0. 1' 1 Di sini, objek yang dihasilkan adalah bingkai data yang membolehkan anda mengekstrak sebarang nilai dari jadual tersebut menggunakan alat penyahpasang dan pengindeksan. Sebagai contoh, untuk mendapatkan nilai p, anda boleh melakukan perkara berikut: >> Model anova ['wt', 'Pr (> F)'] [1] 1. 293959e-10

Anda boleh menafsirkan nilai ini sebagai kebarangkalian yang menambahkan variable wt ke model ' t membuat perbezaan.H rendah nilai di sini menunjukkan bahawa berat kereta (wt) menerangkan sebahagian besar perbezaan jarak tempuh (mpg) antara kereta.Ini tidak boleh datang sebagai satu kejutan, kereta yang lebih berat,

Anda boleh menggunakan fungsi anova () untuk membandingkan model yang berbeza juga, dan banyak pakej pemodelan menyediakan fungsi tersebut. Anda mencari contoh ini pada kebanyakan halaman Bantuan yang berkaitan seperti? anova lm dan anova glm