Jak korzystać z funkcji coeftest() w r

Możesz użyć funkcji coeftest() z pakietu lmtest w R, aby wykonać test t dla każdego szacowanego współczynnika w modelu regresji.

Ta funkcja wykorzystuje następującą podstawową składnię:

współczynnik(x)

Złoto:

• x : Nazwa dopasowanego modelu regresji

Poniższy przykład pokazuje, jak w praktyce wykorzystać tę funkcję.

Przykład: Jak używać funkcji coeftest() w R

Załóżmy, że mamy następującą ramkę danych w języku R, która pokazuje liczbę godzin spędzonych na nauce, liczbę zdanych egzaminów praktycznych i końcowy wynik egzaminu 10 uczniów w klasie:

 #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

Załóżmy teraz, że chcemy dopasować następujący model regresji liniowej w R:

Wynik egzaminu = β ₀ + β ₁ (godziny) + β ₂ (egzamin praktyczny)

Możemy użyć funkcji lm(), aby dostosować ten model:

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

Możemy następnie użyć funkcji coeftest() , aby przeprowadzić test t dla każdego dopasowanego współczynnika regresji w modelu:

 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

Dla każdego testu t wyświetlana jest statystyka testu t i odpowiadająca jej wartość p:

• Przecięcie : t = 23,8150, p = <0,000
• godziny : t = 4,2075, p = 0,003998
• prac_exams : t = 2,7017, p = 0,030566

Należy zauważyć, że dla każdego testu t używamy następujących hipotez zerowych i alternatywnych:

• H ₀ : β _i = 0 (nachylenie równe zeru)
• H _A : β _i ≠ 0 (nachylenie nie jest równe zero)

Jeśli wartość p testu t jest poniżej pewnego progu (np. α = 0,05), wówczas odrzucamy hipotezę zerową i stwierdzamy, że istnieje statystycznie istotna zależność pomiędzy zmienną predykcyjną a zmienną odpowiedzi.

Ponieważ wartość p dla każdego testu t jest mniejsza niż 0,05, można wyciągnąć wniosek, że każda zmienna predykcyjna w modelu ma statystycznie istotny związek ze zmienną odpowiedzi.

W kontekście tego przykładu powiedzielibyśmy, że godziny spędzone na nauce i liczba zdanych egzaminów praktycznych są statystycznie istotnymi predyktorami oceny końcowej uczniów z egzaminu.

Dodatkowe zasoby

Poniższe samouczki zawierają dodatkowe informacje na temat regresji liniowej w języku R:

Jak interpretować wynik regresji w R
Jak wykonać prostą regresję liniową w R
Jak wykonać wielokrotną regresję liniową w R
Jak przeprowadzić regresję logistyczną w R