<\/p>\n
In deze tutorial wordt uitgelegd hoe u de F-statistiek in de uitvoer van een regressietabel kunt identificeren en hoe u deze statistiek en de bijbehorende p-waarde kunt interpreteren.<\/span><\/p>\n De F-test voor de algehele significantie<\/strong> bij regressie is een test om te bepalen of uw lineaire regressiemodel al dan niet beter aansluit bij een dataset dan een model zonder voorspellende variabelen.<\/span><\/p>\n De algehele significantie F-test is gebaseerd op de volgende twee aannames:<\/span><\/p>\n Nulhypothese ( H0<\/sub> ):<\/strong> Het model zonder voorspellende variabelen (ook wel het alleen-intercept-model<\/em> genoemd) past zowel bij de gegevens als bij uw regressiemodel.<\/span><\/p>\n Alternatieve hypothese ( HA<\/sub> ):<\/strong> Uw regressiemodel past beter bij de gegevens dan het alleen-intercept-model.<\/span><\/p>\n Wanneer u een regressiemodel aan een dataset koppelt, ontvangt u een regressietabel als uitvoer, die u de F-statistiek vertelt, samen met de overeenkomstige p-waarde voor die F-statistiek.<\/span><\/p>\n Als de p-waarde kleiner is dan het significantieniveau dat u kiest ( veelvoorkomende keuzes zijn 0,01, 0,05 en 0,10<\/em> ), dan heeft u voldoende bewijs om te concluderen dat uw regressiemodel alleen bij de gegevens past als bij het oorspronkelijke model. model.<\/span><\/p>\n Stel dat we de volgende gegevensset hebben die het totale aantal gestudeerde uren, het totale aantal afgelegde voorbereidende examens en het eindexamencijfer voor 12 verschillende studenten toont:<\/span><\/p>\n Om de relatie tussen<\/em> de gestudeerde uren en de afgelegde voorbereidende examens te analyseren met het eindexamencijfer dat een student behaalt, voeren we een meervoudige lineaire regressie uit met gestudeerde uren<\/em> en voorbereidende<\/em> examens als voorspellende variabelen en het eindcijfer dat wordt onderzocht<\/em> als responsvariabele.<\/span><\/p>\n We krijgen het volgende resultaat:<\/span><\/p>\n Op basis van deze resultaten zullen we ons concentreren op de F-statistiek in de ANOVA-tabel, evenals op de p-waarde van deze F-statistiek, die in de tabel wordt aangeduid als F-significantie<\/em> . Als significantieniveau kiezen we 0,05.<\/span><\/p>\n F-statistiek:<\/strong> 5,090515<\/span><\/p>\n P-waarde:<\/strong> 0,0332<\/span><\/p>\n Technische noot:<\/strong> De F-statistiek wordt berekend als de MS-regressie gedeeld door het MS-residu. In dit geval is MS-regressie \/ MS-residu = 273,2665 \/ 53,68151 = 5,090515<\/strong> .<\/em><\/span><\/p>\n<\/blockquote>\n Omdat de p-waarde onder het significantieniveau ligt, kunnen we concluderen dat ons regressiemodel beter bij de gegevens past dan het alleen-intercept-model.<\/span><\/p>\n In de context van dit specifieke probleem betekent dit dat het gebruik van onze voorspellende variabelen voor studie-uren<\/em> en voorbereidende examens<\/em> in het model ons in staat stelt de gegevens beter te laten passen dan wanneer we ze weg zouden laten en eenvoudigweg het intercept-model op unieke wijze zouden gebruiken.<\/span><\/p>\n Als geen van uw voorspellende variabelen statistisch significant is, zal de totale F-toets over het algemeen ook niet statistisch significant zijn.<\/span><\/p>\n In sommige gevallen kan dit echter niet het geval zijn, omdat de F-test voor algehele significantie test of alle voorspellende variabelen gezamenlijk<\/em> significant zijn, terwijl de T-test voor significantie voor elke individuele voorspellende variabele eenvoudigweg test of elke voorspellende variabele significant is. individueel<\/em> van groot belang.<\/span><\/p>\n De F-test bepaalt dus of alle<\/em> voorspellende variabelen gezamenlijk significant zijn of niet.<\/span><\/p>\n Het is mogelijk dat elke voorspellende variabele niet significant is en toch geeft de F-toets aan dat alle voorspellende variabelen samen significant zijn.<\/span><\/p>\n Technische noot:<\/strong> Over het algemeen geldt dat hoe meer voorspellende variabelen u in het model heeft, hoe groter de kans is dat de F-statistiek en de bijbehorende p-waarde statistisch significant zullen zijn.<\/em><\/span><\/p>\n<\/blockquote>\n Een andere metriek die u waarschijnlijk zult zien in de uitvoer van een regressie is R-kwadraat , die de sterkte meet van de lineaire relatie tussen de voorspellende variabelen en de responsvariabele.<\/span><\/p>\n Hoewel R-kwadraat je een idee kan geven van de mate waarin de voorspellende variabelen sterk geassocieerd zijn met de responsvariabele, biedt het geen formele statistische toetsing voor deze relatie.<\/span><\/p>\n Dit is de reden waarom de F-Test nuttig is, aangezien het een formele statistische test is. Als de algehele F-toets significant is, kun je bovendien concluderen dat R-kwadraat niet nul is en dat de correlatie tussen de voorspellende variabele(n) en de responsvariabele statistisch significant is.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veel voorkomende waarden in regressiemodellen kunt interpreteren:<\/span><\/p>\n Een regressietabel lezen en interpreteren In deze tutorial wordt uitgelegd hoe u de F-statistiek in de uitvoer van een regressietabel kunt identificeren en hoe u deze statistiek en de bijbehorende p-waarde kunt interpreteren. De algemene significantie F-test begrijpen De F-test voor de algehele significantie bij regressie is een test om te bepalen of uw lineaire regressiemodel al dan niet beter […]<\/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-472","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n De algemene significantie F-test begrijpen<\/strong><\/span><\/h2>\n
Voorbeeld: F-test in regressie<\/strong><\/span><\/h2>\n
\n
Opmerkingen over het interpreteren van de F-test van algehele significantie<\/strong><\/span><\/h2>\n
\n
Aanvullende bronnen<\/strong><\/span><\/h2>\n
De standaardfout van regressie begrijpen
Wat is een goede R-kwadraatwaarde?<\/p>\n","protected":false},"excerpt":{"rendered":"