Bagaimana Mengevaluasi Data Linear dengan R - Dummies

Tentu, R menyediakan serangkaian tes yang berbeda dan Langkah-langkah untuk mengevaluasi seberapa baik model Anda sesuai dengan data Anda dan juga melihat asumsi model. Sekali lagi, ikhtisar yang disajikan di sini tidak lengkap, namun memberi Anda gambaran tentang apa yang mungkin dan titik awal untuk melihat lebih dalam masalah ini.

Bagaimana meringkas model

Fungsi ringkasan () segera mengembalikan uji F untuk model yang dibuat dengan aov (). Untuk model lm (), ini sedikit berbeda. Lihatlah hasilnya:

>> Model. ringkasan model ringkasan Call: lm (formula = mpg ~ wt, data = mtcars) Residu: Min 1Q Median 3Q Max -4. 5432 -2. 3647 -0. 1252 1. 4096 6. 8727 Koefisien: Perkiraan Std. Error t value Pr (> | t |) (Intercept) 37. 2851 1. 8776 19. 858 <2e-16 *** wt -5. 3445 0. 5591 -9. 559 1. 29e-10 *** --- Signif. kode: 0 '***' 0. 001 '**' 0. 01 '*' 0. 05 '. '0. 1 "1 Kesalahan standar rata-rata: 3. 046 pada 30 derajat kebebasan Beberapa R-kuadrat: 0. 7528, Disesuaikan R-kuadrat: 0. 7446 F-statistik: 91. 38 pada 1 dan 30 DF, p- Nilai: 1. 294e-10

Itu adalah keseluruhan informasi yang berguna. Di sini Anda melihat yang berikut ini:

Distribusi residu, yang memberi Anda gagasan pertama tentang seberapa baik asumsi model linier bertahan

• Koefisien disertai uji t, memberi tahu Anda sejauh mana setiap koefisien berbeda secara signifikan dari nol

• Ukuran kebaikan yang sesuai R

• 2 > dan uji coba R ² yang disesuaikan yang memberi Anda gambaran tentang apakah model Anda menjelaskan bagian signifikan dari varians dalam data Anda

• Anda dapat menggunakan fungsi coef () untuk mengekstrak matriks dengan perkiraan, kesalahan standar, dan nilai t dan nilai p untuk koefisien dari objek ringkasan seperti ini: >> coef (Model. summary) Estimate Std. Error t nilai Pr (> | t |) (Intercept) 37. 285126 1. 877627 19. 857575 8. 241799e-19 wt -5. 344472 0. 559101 -9. 559044 1. 293959e-10

  Jika istilah ini tidak memberi tahu Anda apa-apa, lihatlah mereka di sumber pemodelan yang bagus. Untuk pengenalan yang luas untuk menerapkan dan menafsirkan model linier dengan benar, lihat

Model Statistik Terapan Linear,

Edisi 5, oleh Michael Kutner dkk (McGraw-Hill / Irwin).

Bagaimana menguji dampak dari istilah model Untuk mendapatkan analisis tabel varians - seperti fungsi ringkasan () yang dibuat untuk model ANOVA - Anda cukup menggunakan fungsi anova () dan meneruskannya model lm () objek sebagai argumen, seperti ini: >> Model. model anova anova Analisis Variance Table Response: mpg Df Sum Sq Mean Sq F nilai Pr (> F) wt 1 847.73 847. 73 91. 375 1. 294e-10 *** Residu 30 278. 32 9. 28 --- Signif. kode: 0 '***' 0. 001 '**' 0. 01 '*' 0. 05 '. '0. 1 "1 Di sini, objek yang dihasilkan adalah bingkai data yang memungkinkan Anda untuk mengekstrak nilai dari tabel tersebut menggunakan alat subsetting dan pengindeksan. Misalnya, untuk mendapatkan nilai p, Anda dapat melakukan hal berikut: >> Model anova ['wt', 'Pr (> F)'] [1] 1. 293959e-10

Anda dapat menafsirkan nilai ini sebagai probabilitas bahwa menambahkan variabel ke model doesn ' t membuat perbedaan.Nilai p rendah di sini menunjukkan bahwa berat mobil (wt) menjelaskan sebagian besar perbedaan jarak tempuh (mpg) di antara mobil. Hal ini seharusnya tidak mengejutkan, mobil yang lebih berat tidak, Memang, butuh lebih banyak daya untuk menyeret bobotnya sendiri di sekitar.

Anda dapat menggunakan fungsi anova () untuk membandingkan model yang berbeda juga, dan banyak paket pemodelan menyediakan fungsionalitas itu. Anda temukan contoh ini di sebagian besar halaman Bantuan terkait. seperti? anova. lm dan? anova glm.