<\/p>\n
Za ka\u017cdym razem, gdy wykonasz regresj\u0119 liniow\u0105 w R, dane wyj\u015bciowe modelu regresji zostan\u0105 wy\u015bwietlone w nast\u0119puj\u0105cym formacie:<\/span><\/p>\n Kolumna Pr(>|t|)<\/strong> reprezentuje warto\u015b\u0107 p powi\u0105zan\u0105 z warto\u015bci\u0105 w kolumnie warto\u015b\u0107 t<\/strong> .<\/span><\/p>\n Je\u015bli warto\u015b\u0107 p jest poni\u017cej pewnego poziomu istotno\u015bci (np. \u03b1 = 0,05), w\u00f3wczas uwa\u017ca si\u0119, \u017ce zmienna predykcyjna ma statystycznie istotny zwi\u0105zek ze zmienn\u0105 odpowiedzi w modelu.<\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje jak interpretowa\u0107 warto\u015bci w kolumnie Pr(>|t|) dla danego modelu regresji.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce chcemy dopasowa\u0107 model regresji liniowej wielokrotnej<\/a> , u\u017cywaj\u0105c zmiennych predykcyjnych x1<\/strong> i x2<\/strong> oraz pojedynczej zmiennej odpowiedzi y<\/strong> .<\/span><\/p>\n Poni\u017cszy kod pokazuje, jak utworzy\u0107 ramk\u0119 danych i dopasowa\u0107 model regresji do danych:<\/span><\/p>\n Oto jak interpretowa\u0107 warto\u015bci w kolumnie Pr(>|t|):<\/span><\/p>\n Kody istotno\u015bci<\/a> poni\u017cej tabeli wsp\u00f3\u0142czynnik\u00f3w m\u00f3wi\u0105 nam, \u017ce pojedyncza gwiazdka (*) obok warto\u015bci p wynosz\u0105cej 0,0325 oznacza, \u017ce warto\u015b\u0107 p jest statystycznie istotna przy \u03b1 = 0,05.<\/span><\/p>\n Oto jak faktycznie obliczana jest warto\u015b\u0107 Pr(>|t|):<\/span><\/p>\n Krok 1: Oblicz warto\u015b\u0107 t<\/strong><\/span><\/p>\n Najpierw obliczamy warto\u015b\u0107 t<\/strong> za pomoc\u0105 nast\u0119puj\u0105cego wzoru:<\/span><\/p>\n Na przyk\u0142ad, oto jak obliczy\u0107 warto\u015b\u0107 t dla zmiennej predykcyjnej x1:<\/span><\/p>\n Krok 2: Oblicz warto\u015b\u0107 p<\/strong><\/span><\/p>\n Nast\u0119pnie obliczamy warto\u015b\u0107 p. Oznacza to prawdopodobie\u0144stwo, \u017ce warto\u015b\u0107 bezwzgl\u0119dna rozk\u0142adu t jest wi\u0119ksza ni\u017c 2,935.<\/span><\/p>\n Aby obliczy\u0107 t\u0119 warto\u015b\u0107, mo\u017cemy u\u017cy\u0107 nast\u0119puj\u0105cego wzoru w R:<\/span><\/p>\n Na przyk\u0142ad, oto jak obliczy\u0107 warto\u015b\u0107 p dla warto\u015bci t wynosz\u0105cej 2,935 z 5 resztkowymi stopniami swobody:<\/span><\/p>\n Nale\u017cy zauwa\u017cy\u0107, \u017ce ta warto\u015b\u0107 p odpowiada warto\u015bci p z powy\u017cszego wyniku regresji.<\/span><\/p>\n Uwaga:<\/strong> Warto\u015b\u0107 pozosta\u0142ych stopni swobody znajduje si\u0119 na dole wyniku regresji. W naszym przyk\u0142adzie okaza\u0142o si\u0119, \u017ce jest to 5:<\/span><\/p>\n Jak wykona\u0107 prost\u0105 regresj\u0119 liniow\u0105 w R<\/a> Za ka\u017cdym razem, gdy wykonasz regresj\u0119 liniow\u0105 w R, dane wyj\u015bciowe modelu regresji zostan\u0105 wy\u015bwietlone w nast\u0119puj\u0105cym formacie: 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 Kolumna Pr(>|t|) reprezentuje warto\u015b\u0107 p powi\u0105zan\u0105 z warto\u015bci\u0105 w kolumnie warto\u015b\u0107 t . Je\u015bli […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-1762","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"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 Przyk\u0142ad: Jak interpretowa\u0107 warto\u015bci 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
Jak faktycznie oblicza si\u0119 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 Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak wykona\u0107 wielokrotn\u0105 regresj\u0119 liniow\u0105 w R<\/a>
Jak wykre\u015bli\u0107 wyniki wielokrotnej regresji liniowej w R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"