<\/p>\n
Ogni volta che esegui una regressione lineare in R, l’output del tuo modello di regressione verr\u00e0 visualizzato nel seguente formato:<\/span><\/p>\n La colonna Pr(>|t|)<\/strong> rappresenta il valore p associato al valore nella colonna del valore t<\/strong> .<\/span><\/p>\n Se il valore p \u00e8 inferiore a un certo livello di significativit\u00e0 (ad esempio \u03b1 = 0,05), si ritiene che la variabile predittore abbia una relazione statisticamente significativa con la variabile di risposta nel modello.<\/span><\/p>\n L’esempio seguente mostra come interpretare i valori nella colonna Pr(>|t|) per un determinato modello di regressione.<\/span><\/p>\n Supponiamo di voler adattare un modello di regressione lineare multipla<\/a> utilizzando le variabili predittive x1<\/strong> e x2<\/strong> e una singola variabile di risposta y<\/strong> .<\/span><\/p>\n Il codice seguente mostra come creare un frame di dati e adattare un modello di regressione ai dati:<\/span><\/p>\n Ecco come interpretare i valori nella colonna Pr(>|t|):<\/span><\/p>\n I codici di significativit\u00e0<\/a> sotto la tabella dei coefficienti ci dicono che un singolo asterisco (*) accanto al valore p di 0,0325 significa che il valore p \u00e8 statisticamente significativo a \u03b1 = 0,05.<\/span><\/p>\n Ecco come viene effettivamente calcolato il valore di Pr(>|t|):<\/span><\/p>\n Passaggio 1: calcolare il valore t<\/strong><\/span><\/p>\n Innanzitutto, calcoliamo il valore t<\/strong> utilizzando la seguente formula:<\/span><\/p>\n Ad esempio, ecco come calcolare il valore t per la variabile predittrice x1:<\/span><\/p>\n Passaggio 2: calcolare il valore p<\/strong><\/span><\/p>\n Successivamente, calcoliamo il valore p. Ci\u00f2 rappresenta la probabilit\u00e0 che il valore assoluto della distribuzione t sia maggiore di 2,935.<\/span><\/p>\n Possiamo usare la seguente formula in R per calcolare questo valore:<\/span><\/p>\n Ad esempio, ecco come calcolare il valore p per un valore t di 2,935 con 5 gradi di libert\u00e0 residui:<\/span><\/p>\n Si noti che questo valore p corrisponde al valore p nell’output della regressione sopra.<\/span><\/p>\n Nota:<\/strong> il valore dei gradi di libert\u00e0 residui si trova nella parte inferiore dell’output della regressione. Nel nostro esempio, risulta essere 5:<\/span><\/p>\n Come eseguire una regressione lineare semplice in R<\/a> Ogni volta che esegui una regressione lineare in R, l’output del tuo modello di regressione verr\u00e0 visualizzato nel seguente formato: Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 10.0035 5.9091 1.693 0.1513 x1 1.4758 0.5029 2.935 0.0325 * x2 -0.7834 0.8014 -0.978 0.3732 La colonna Pr(>|t|) rappresenta il valore p associato al valore nella colonna […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Coefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 10.0035 5.9091 1.693 0.1513 \nx1 1.4758 0.5029 2.935 0.0325 *\nx2 -0.7834 0.8014 -0.978 0.3732<\/span> \n<\/span><\/strong><\/pre>\n Esempio: come interpretare i valori Pr(>|t|).<\/strong><\/span><\/h3>\n
#create data frame\n<\/span>df <- data. frame<\/span> (x1=c(1, 3, 3, 4, 4, 5, 6, 6),\n x2=c(7, 7, 5, 6, 5, 4, 5, 6),\n y=c(8, 8, 9, 9, 13, 14, 17, 14))\n\n#fit multiple linear regression model\n<\/span>model <- lm(y ~ x1 + x2, data=df)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nlm(formula = y ~ x1 + x2, data = df)\n\nResiduals:\n 1 2 3 4 5 6 7 8 \n 2.0046 -0.9470 -1.5138 -2.2062 1.0104 -0.2488 2.0588 -0.1578 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 10.0035 5.9091 1.693 0.1513 \nx1 1.4758 0.5029 2.935 0.0325 *\nx2 -0.7834 0.8014 -0.978 0.3732 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 1.867 on 5 degrees of freedom\nMultiple R-squared: 0.7876, Adjusted R-squared: 0.7026 \nF-statistic: 9.268 on 2 and 5 DF, p-value: 0.0208<\/strong><\/span><\/pre>\n\n
Come viene effettivamente calcolato Pr(>|t|)?<\/strong><\/span><\/h3>\n
\n
#calculate t-value<\/span>\n1.4758 \/ .5029\n\n[1] 2.934579\n<\/strong><\/pre>\n\n
#calculate p-value<\/span>\n2 * pt( abs<\/span> (2.935), 5, lower. tail<\/span> = FALSE<\/span> )\n\n[1] 0.0324441\n<\/strong><\/span><\/pre>\n Residual standard error: 1.867 on 5<\/span> degrees of freedom\n<\/strong><\/span><\/pre>\n Risorse addizionali<\/strong><\/span><\/h3>\n
Come eseguire la regressione lineare multipla in R<\/a>
Come tracciare i risultati di regressione lineare multipla in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"