Hvordan å evaluere lineære data med R-dummies

Video: Zeitgeist Addendum 2024

Naturligvis gir R et helt sett forskjellige tester og tiltak for å vurdere hvor godt modellen din passer til dataene dine, samt se på modellantagelsene. Igjen er oversikten som presenteres her langt fra fullført, men den gir deg en ide om hva som er mulig og et utgangspunkt for å se nærmere på problemet.

Slik oppsummerer du modellen

Sammendrag () -funksjonen gir deg umiddelbart F-testen for modeller konstruert med aov (). For lm () modeller, er dette litt annerledes. Ta en titt på utdataene:

>> Modell. oppsummeringsmodell. oppsummering Ring: lm (formel = mpg ~ wt, data = mtcars) Residuals: Min 1Q Median 3Q Max -4. 5432 -2. 3647 -0. 1252 1. 4096 6. 8727 Koeffisienter: Estimat Std. Feil t verdi Pr (> | t |) (Avskjær) 37. 2851 1. 8776 19. 858 <2e-16 *** wt -5. 3445 0. 5591 -9. 559 1. 29e-10 *** --- Signif. koder: 0 '***' 0. 001 '**' 0. 01 '*' 0. 05 '. '0. 1' 1 Reststandardfeil: 3. 046 på 30 grader av frihet Flere R-kvadrat: 0. 7528, Justert R-kvadrat: 0. 7446 F-statistikk: 91. 38 på 1 og 30 DF, p- verdi: 1. 294e-10

Her ser du følgende:

Fordelingen av residualene, som gir deg en første ide om hvor godt forutsetningene til en lineær modell holder

Koeffisientene ledsaget av en t-test, som forteller deg hvor langt hver koeffisient avviger vesentlig fra null
Godhetstiltakene R 2 > og den justerte R
2 ^{F-testen som gir deg en ide om hvorvidt modellen din forklarer en betydelig del av variansen i dataene dine.}
^{You kan bruke coef () -funksjonen til å trekke ut en matrise med estimatene, standardfeilene og t-verdi og p-verdien for koeffisientene fra sammendragsobjektet slik: >> coef (modelloppsummering) Estimat Std. Feil t-verdi Pr (> | t |) (Avskjær) 37. 285126 1. 877627 19. 857575 8. 241799e-19 wt -5. 344472 0. 559101 -9. 559044 1. 293959e-10}
Hvis disse betingelsene ikke forteller noe, ser du dem opp i en god kilde om modellering. For en omfattende introduksjon til å anvende og tolke lineære modeller på riktig måte, sjekk ut
Applied Linear Statistical Models,

5th Edition, av Michael Kutner et al. (McGraw-Hill / Irwin).

Slik tester du virkningen av modellbetingelser

For å få en analyse av variasjonstabellen - som sammendrag () -funksjonen gjør det mulig for en ANOVA-modell - du bruker bare funksjonen anova () og sender den til lm () -modellen objekt som et argument, slik som dette: >> Modell. anova modell. Anova Analyse av Variant Tabell Response: mpg Df Sum Sq Mean Sq F verdi Pr (> F) vekt 1 847.73 847. 73 91. 375 1. 294e-10 *** Restprodukter 30 278. 32 9. 28 --- Signif. koder: 0 '***' 0. 001 '**' 0. 01 '*' 0. 05 '. '0. 1' 1 Her er det resulterende objektet en dataramme som lar deg trekke ut hvilken som helst verdi fra den tabellen ved hjelp av subsettings- og indekseringsverktøyene. For eksempel, for å få p-verdien, kan du gjøre følgende: >> Modell. Anova ['wt', 'Pr (> F)'] [1] 1. 293959e-10 Du kan tolke denne verdien som sannsynligheten for å legge til variabelen wt til modellen, t gjør en forskjell. Den lave p-verdien her indikerer at vekten av en bil (wt) forklarer en betydelig del av forskjellen i kjørelengde (mpg) mellom biler. Dette bør ikke komme som en overraskelse, en tyngre bil gjør det, faktisk trenger du mer kraft til å trekke sin egen vekt rundt.