如何解释 r 中的含义代码

当您在 R 中执行 回归分析或方差分析时，输出表包含分析中使用的变量的 p 值以及相应的显着性代码。

如果变量具有统计显着性，这些显着性代码将显示为一系列星号或小数点。

以下是如何解释不同含义的代码：

 significance code p-value
   *** [0, 0.001]
    **(0.001, 0.01]
     * (0.01, 0.05]
     . (0.05, 0.1]
                         (0.1, 1]

以下示例展示了如何在实践中解释这些含义代码。

示例：回归显着性代码

以下代码显示了如何使用hp 、 drat和wt作为预测变量以及mpg作为响应变量，将多元线性回归模型与集成mtcars数据集进行拟合：

 #fit regression model using hp, drat, and wt as predictors
model <- lm(mpg ~ hp + drat + wt, data = mtcars)

#view model summary
summary(model)

Call:
lm(formula = mpg ~ hp + drat + wt, data = mtcars)

Residuals:
    Min 1Q Median 3Q Max 
-3.3598 -1.8374 -0.5099 0.9681 5.7078 

Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
(Intercept) 29.394934 6.156303 4.775 5.13e-05 ***
hp -0.032230 0.008925 -3.611 0.001178 ** 
drat 1.615049 1.226983 1.316 0.198755    
wt -3.227954 0.796398 -4.053 0.000364 ***
---
Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 2.561 on 28 degrees of freedom
Multiple R-squared: 0.8369, Adjusted R-squared: 0.8194 
F-statistic: 47.88 on 3 and 28 DF, p-value: 3.768e-11

以下是如何解释三个预测变量的显着性代码：

• hp的 p 值为0.001178 。由于该值在(0.001, 0.01]范围内，因此它的含义代码为**
• drat的 p 值为0.198755 。由于该值在(0,1, 1]范围内，因此它没有含义代码。
• wt的 p 值为.000364 。由于该值在[0, 0.001]范围内，因此它的含义代码为***

如果我们使用 α = 0.05 的 alpha 水平来确定哪些预测变量在此回归模型中显着，我们会说hp和wt是统计上显着的预测变量，而drat则不是。

示例：方差分析中的重要性代码

以下代码展示了如何使用gear作为因子变量和mpg作为响应变量来拟合单向 ANOVA 模型与集成mtcars数据集：

 #fit one-way ANOVA
model <- aov(mpg ~ gear, data = mtcars)

#view the model output
summary(model)

            Df Sum Sq Mean Sq F value Pr(>F)   
gear 1 259.7 259.75 8.995 0.0054 **
Residuals 30 866.3 28.88                  
---
Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

以下是如何解释输出中的含义代码：

• 杠杆的 p 值为0.0054 。由于该值在(0.001, 0.01]范围内，因此它的含义代码为**

使用 α = 0.05 的 alpha 水平，我们可以说负债率具有统计显着性。换句话说，根据其装备价值，汽车的平均英里/加仑之间存在统计上的显着差异。