Jak interpretować kody znaczeniowe w języku r

Kiedy wykonujesz analizę regresji lub ANOVA w R, tabele wyjściowe zawierają wartości p dla zmiennych użytych w analizie wraz z odpowiednimi kodami istotności .

Te kody istotności są wyświetlane jako seria gwiazdek lub kropka dziesiętna, jeśli zmienne są istotne statystycznie.

Oto jak interpretować różne kody znaczeniowe:

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

Poniższe przykłady pokazują, jak w praktyce interpretować te kody znaczeniowe.

Przykład: Kody istotności regresji

Poniższy kod pokazuje, jak dopasować model regresji liniowej do zintegrowanego zbioru danych mtcars , używając hp , drat i wt jako zmiennych predykcyjnych oraz mpg jako zmiennej odpowiedzi:

 #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

Oto jak zinterpretować kody istotności dla trzech zmiennych predykcyjnych:

• hp ma wartość p wynoszącą 0,001178 . Ponieważ ta wartość mieści się w zakresie (0,001, 0,01] , ma kod znaczenia **
• drat ma wartość p 0,198755 . Ponieważ ta wartość mieści się w zakresie (0,1, 1] , nie ma kodu znaczenia.
• wt ma wartość p 0,000364 . Ponieważ ta wartość mieści się w zakresie [0, 0,001] , ma kod znaczenia ***

Gdybyśmy zastosowali poziom alfa α = 0,05 do określenia, które predyktory były istotne w tym modelu regresji, powiedzielibyśmy, że hp i wt są statystycznie istotnymi predyktorami, podczas gdy drat nie.

Przykład: kody istotności w ANOVA

Poniższy kod pokazuje, jak dopasować jednokierunkowy model ANOVA do zintegrowanego zbioru danych mtcars , stosując przekładnię jako zmienną współczynnikową i mpg jako zmienną odpowiedzi:

 #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

Oto jak zinterpretować kod znaczenia na wyjściu:

• przekładnia ma wartość p 0,0054 . Ponieważ ta wartość mieści się w zakresie (0,001, 0,01] , ma kod znaczenia **

Stosując poziom alfa α = 0,05, powiedzielibyśmy, że przełożenie jest statystycznie istotne. Innymi słowy, istnieje statystycznie istotna różnica pomiędzy średnimi mpg samochodów w oparciu o wartość ich wyposażenia .