<\/p>\n
Test Walda<\/strong> mo\u017cna zastosowa\u0107 do sprawdzenia, czy jeden lub wi\u0119cej parametr\u00f3w modelu ma okre\u015blone warto\u015bci.<\/span><\/p>\n Test ten jest cz\u0119sto u\u017cywany do okre\u015blenia, czy jedna lub wi\u0119cej zmiennych predykcyjnych w modelu regresji<\/a> jest r\u00f3wnych zero.<\/span><\/p>\n W tym te\u015bcie u\u017cywamy nast\u0119puj\u0105cych hipotez<\/a> zerowych i alternatywnych:<\/span><\/p>\n Je\u017celi nie odrzucimy hipotezy zerowej, w\u00f3wczas mo\u017cemy usun\u0105\u0107 z modelu okre\u015blony zestaw zmiennych predykcyjnych, gdy\u017c nie zapewniaj\u0105 one statystycznie istotnej poprawy dopasowania modelu.<\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje, jak wykona\u0107 test Walda w R.<\/span><\/p>\n W tym przyk\u0142adzie u\u017cyjemy zbioru danych mtcars<\/a> wbudowanego w R, aby dopasowa\u0107 go do nast\u0119puj\u0105cego modelu regresji liniowej wielokrotnej:<\/span><\/p>\n mpg = \u03b2 0<\/sub> + \u03b2 1<\/sub> dost\u0119pne + \u03b2 2<\/sub> w\u0119glowodany + \u03b2 3<\/sub> KM + \u03b2 4<\/sub> cyl<\/span><\/p>\n Poni\u017cszy kod pokazuje, jak dopasowa\u0107 ten model regresji i wy\u015bwietli\u0107 podsumowanie modelu:<\/span><\/p>\n Nast\u0119pnie mo\u017cemy u\u017cy\u0107 funkcji wald.test()<\/strong> z pakietu aod<\/strong> , aby sprawdzi\u0107, czy wsp\u00f3\u0142czynniki regresji dla zmiennych predykcyjnych \u201ehp\u201d i \u201ecyl\u201d s\u0105 r\u00f3wne zero.<\/span><\/p>\n Ta funkcja wykorzystuje nast\u0119puj\u0105c\u0105 podstawow\u0105 sk\u0142adni\u0119:<\/span><\/p>\n wald.test(Sigma, b, Warunki)<\/strong><\/span><\/p>\n Z\u0142oto:<\/span><\/p>\n Poni\u017cszy kod pokazuje, jak w praktyce wykorzysta\u0107 t\u0119 funkcj\u0119:<\/span><\/p>\n Z wyniku widzimy, \u017ce warto\u015b\u0107 p<\/a> testu wynosi 0,16.<\/span><\/p>\n Poniewa\u017c ta warto\u015b\u0107 p jest nie mniejsza ni\u017c 0,05, nie mo\u017cemy odrzuci\u0107 hipotezy zerowej testu Walda.<\/span><\/p>\n Oznacza to, \u017ce mo\u017cemy za\u0142o\u017cy\u0107, \u017ce wsp\u00f3\u0142czynniki regresji dla zmiennych predykcyjnych \u201ehp\u201d i \u201ecyl\u201d s\u0105 r\u00f3wne zero.<\/span><\/p>\n Mo\u017cemy usun\u0105\u0107 te terminy z modelu, poniewa\u017c nie poprawiaj\u0105 one statystycznie znacz\u0105co og\u00f3lnego dopasowania modelu.<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak wykonywa\u0107 inne typowe operacje w j\u0119zyku R:<\/span><\/p>\n Jak wykona\u0107 prost\u0105 regresj\u0119 liniow\u0105 w R<\/a> Test Walda mo\u017cna zastosowa\u0107 do sprawdzenia, czy jeden lub wi\u0119cej parametr\u00f3w modelu ma okre\u015blone warto\u015bci. Test ten jest cz\u0119sto u\u017cywany do okre\u015blenia, czy jedna lub wi\u0119cej zmiennych predykcyjnych w modelu regresji jest r\u00f3wnych zero. W tym te\u015bcie u\u017cywamy nast\u0119puj\u0105cych hipotez zerowych i alternatywnych: H 0 : Wszystkie zestawy zmiennych predykcyjnych s\u0105 r\u00f3wne zeru. H A […]<\/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-2511","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n\n
Przyk\u0142ad: test Walda w R<\/strong><\/span><\/h3>\n
#fit regression model\n<\/span>model <- lm(mpg ~ disp + carb + hp + cyl, data = mtcars)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nlm(formula = mpg ~ disp + carb + hp + cyl, data = mtcars)\n\nResiduals:\n Min 1Q Median 3Q Max \n-5.0761 -1.5752 -0.2051 1.0745 6.3047 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 34.021595 2.523397 13.482 1.65e-13 ***\navailable -0.026906 0.011309 -2.379 0.0247 * \ncarb -0.926863 0.578882 -1.601 0.1210 \nhp 0.009349 0.020701 0.452 0.6551 \ncyl -1.048523 0.783910 -1.338 0.1922 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 2.973 on 27 degrees of freedom\nMultiple R-squared: 0.788, Adjusted R-squared: 0.7566 \nF-statistic: 25.09 on 4 and 27 DF, p-value: 9.354e-09<\/strong><\/pre>\n\n
library<\/span> (aod)<\/span>\n\n#perform Wald Test to determine if 3rd and 4th predictor variables are both zero\n<\/span>wald. test<\/span> (Sigma = vcov(model), b = coef(model), Terms = 3:4)\n\nWald test:\n----------\n\nChi-squared test:\nX2 = 3.6, df = 2, P(>X2) = 0.16\n<\/strong><\/pre>\n Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak wykona\u0107 wielokrotn\u0105 regresj\u0119 liniow\u0105 w R<\/a>
Jak interpretowa\u0107 wynik regresji w R<\/a>
Jak obliczy\u0107 wsp\u00f3\u0142czynnik inflacji wariancji (VIF) w R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"