如何在 r 中使用 coeftest() 函数

您可以使用 R 中lmtest包中的coeftest()函数对回归模型中的每个估计系数执行 t 检验。

该函数使用以下基本语法：

系数检验(x)

金子：

• x ：拟合回归模型的名称

下面的例子展示了如何在实际中使用这个功能。

示例：如何在 R 中使用 coeftest() 函数

假设我们在 R 中有以下数据框，显示了班级 10 名学生的学习小时数、参加的模拟考试次数以及期末考试成绩：

 #create data frame
df <- data. frame (score=c(77, 79, 84, 85, 88, 99, 95, 90, 92, 94),
                 hours=c(1, 1, 2, 3, 2, 4, 4, 2, 3, 3),
                 prac_exams=c(2, 3, 3, 2, 4, 5, 4, 3, 5, 4))

#view data frame
df

   score hours prac_exams
1 77 1 2
2 79 1 3
3 84 2 3
4 85 3 2
5 88 2 4
6 99 4 5
7 95 4 4
8 90 2 3
9 92 3 5
10 94 3 4

现在假设我们想要在 R 中拟合以下多元线性回归模型：

考试成绩 = β ₀ + β ₁ （小时）+ β ₂ （实践考试）

我们可以使用lm()函数来适应这个模型：

 #fit multiple linear regression model
fit <- lm(score ~ hours + prac_exams, data=df)

然后，我们可以使用coeftest()函数对模型中的每个拟合回归系数执行 t 检验：

 library (lmtest)

#perform t-test for each coefficient in model
coeftest(fit)

t test of coefficients:

            Estimate Std. Error t value Pr(>|t|)    
(Intercept) 68.40294 2.87227 23.8150 5.851e-08 ***
hours 4.19118 0.99612 4.2075 0.003998 ** 
prac_exams 2.69118 0.99612 2.7017 0.030566 *  
---
Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

显示每个 t 检验的 t 检验统计量和相应的 p 值：

• 截距：t = 23.8150，p = <0.000
• 小时：t = 4.2075，p = 0.003998
• prac_exams ：t = 2.7017，p = 0.030566

请注意，我们对每个 t 检验使用以下原假设和备择假设：

• H ₀ : β _i = 0（斜率为零）
• H _A : β _i ≠ 0 (斜率不为零)

如果 t 检验的 p 值低于某个阈值（例如 α = 0.05），则我们拒绝原假设并得出结论：预测变量和响应变量之间存在统计上显着的关系。

由于每个 t 检验的 p 值小于 0.05，我们可以得出结论，模型中的每个预测变量与响应变量都具有统计显着关系。

在此示例中，我们可以说，学习时间和参加练习考试的次数都是学生期末考试成绩的统计显着预测因素。

其他资源

以下教程提供了有关 R 中线性回归的更多信息：

如何解释 R 中的回归输出
如何在 R 中执行简单线性回归
如何在 R 中执行多元线性回归
如何在 R 中执行逻辑回归