<\/p>\n
U kunt de functie coeftest()<\/strong> uit het lmtest-<\/strong> pakket in R gebruiken om een t-test uit te voeren voor elke geschatte co\u00ebffici\u00ebnt in een regressiemodel.<\/span><\/p>\n Deze functie gebruikt de volgende basissyntaxis:<\/span><\/p>\n coeftest(x)<\/span><\/strong><\/p>\n Goud:<\/span><\/p>\n Het volgende voorbeeld laat zien hoe u deze functie in de praktijk kunt gebruiken.<\/span><\/p>\n Stel dat we het volgende gegevensframe in R hebben dat het aantal uren aan studeren toont, het aantal afgelegde oefenexamens en de eindexamenscore van 10 studenten in een klas:<\/span><\/p>\n Stel nu dat we het volgende meervoudige lineaire regressiemodel in R willen passen:<\/span><\/p>\n Examenscore = \u03b2 0<\/sub> + \u03b2 1<\/sub> (uren) + \u03b2 2<\/sub> (praktijkexamens)<\/span><\/p>\n We kunnen de functie lm()<\/a> gebruiken om dit model aan te passen:<\/span><\/p>\n We kunnen dan de functie coeftest()<\/strong> gebruiken om een t-test uit te voeren voor elke aangepaste regressieco\u00ebffici\u00ebnt in het model:<\/span><\/p>\n De t-teststatistiek en de bijbehorende p-waarde worden voor elke t-test weergegeven:<\/span><\/p>\n Merk op dat we voor elke t-toets de volgende nul- en alternatieve hypothesen gebruiken:<\/span><\/p>\n Als de p-waarde van de t-toets onder een bepaalde drempel ligt (bijvoorbeeld \u03b1 = 0,05), dan verwerpen we de nulhypothese en concluderen we dat er een statistisch significante relatie bestaat tussen de voorspellende variabele en de responsvariabele.<\/span><\/p>\n Omdat de p-waarde voor elke t-toets kleiner is dan 0,05, zouden we kunnen concluderen dat elke voorspellende variabele in het model een statistisch significante relatie heeft met de responsvariabele.<\/span><\/p>\n In de context van dit voorbeeld zouden we zeggen dat de uren die aan studeren worden besteed en het aantal afgelegde oefenexamens beide statistisch significante voorspellers zijn van het eindexamencijfer van studenten.<\/span><\/p>\n De volgende zelfstudies bieden aanvullende informatie over lineaire regressie in R:<\/span><\/p>\n Hoe regressie-uitvoer in R te interpreteren<\/a> U kunt de functie coeftest() uit het lmtest- pakket in R gebruiken om een t-test uit te voeren voor elke geschatte co\u00ebffici\u00ebnt in een regressiemodel. Deze functie gebruikt de volgende basissyntaxis: coeftest(x) Goud: x : Naam van het gepaste regressiemodel Het volgende voorbeeld laat zien hoe u deze functie in de praktijk kunt gebruiken. Voorbeeld: […]<\/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":[],"class_list":["post-3904","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Voorbeeld: hoe u de functie coeftest() in R gebruikt<\/strong><\/span><\/h2>\n
#create data frame\n<\/span>df <- data. frame<\/span> (score=c(77, 79, 84, 85, 88, 99, 95, 90, 92, 94),\n hours=c(1, 1, 2, 3, 2, 4, 4, 2, 3, 3),\n prac_exams=c(2, 3, 3, 2, 4, 5, 4, 3, 5, 4))\n\n#view data frame\n<\/span>df\n\n score hours prac_exams\n1 77 1 2\n2 79 1 3\n3 84 2 3\n4 85 3 2\n5 88 2 4\n6 99 4 5\n7 95 4 4\n8 90 2 3\n9 92 3 5\n10 94 3 4\n<\/strong><\/pre>\n #fit multiple linear regression model\n<\/span>fit <- lm(score ~ hours + prac_exams, data=df)\n<\/strong><\/pre>\n library<\/span> (lmtest)<\/span>\n\n#perform t-test for each coefficient in model<\/span>\ncoeftest(fit)\n\nt test of coefficients:\n\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 68.40294 2.87227 23.8150 5.851e-08 ***\nhours 4.19118 0.99612 4.2075 0.003998 ** \nprac_exams 2.69118 0.99612 2.7017 0.030566 * \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n<\/strong><\/pre>\n\n
\n
Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe eenvoudige lineaire regressie uit te voeren in R<\/a>
Hoe meervoudige lineaire regressie uit te voeren in R<\/a>
Hoe logistische regressie uit te voeren in R<\/p>\n","protected":false},"excerpt":{"rendered":"