<\/p>\n
W tym samouczku wyja\u015bniono, jak zidentyfikowa\u0107 statystyk\u0119 F w wynikach tabeli regresji, a tak\u017ce jak interpretowa\u0107 t\u0119 statystyk\u0119 i odpowiadaj\u0105c\u0105 jej warto\u015b\u0107 p.<\/span><\/p>\n Test F og\u00f3lnego znaczenia<\/strong> w regresji to test maj\u0105cy na celu okre\u015blenie, czy model regresji liniowej zapewnia lepsze dopasowanie do zbioru danych ni\u017c model bez zmiennych predykcyjnych.<\/span><\/p>\n Test og\u00f3lnej istotno\u015bci F opiera si\u0119 na dw\u00f3ch za\u0142o\u017ceniach:<\/span><\/p>\n Hipoteza zerowa ( H0<\/sub> ):<\/strong> Model bez zmiennych predykcyjnych (zwany tak\u017ce modelem tylko wyrazu wolnego<\/em> ) pasuje do danych tak samo jak Tw\u00f3j model regresji.<\/span><\/p>\n Hipoteza alternatywna ( HA<\/sub> ):<\/strong> Tw\u00f3j model regresji lepiej pasuje do danych ni\u017c model oparty wy\u0142\u0105cznie na przeci\u0119ciach.<\/span><\/p>\n Kiedy dopasujesz model regresji do zbioru danych, jako wynik otrzymasz tabel\u0119 regresji<\/a> , kt\u00f3ra wy\u015bwietli statystyk\u0119 F wraz z odpowiedni\u0105 warto\u015bci\u0105 p dla tej statystyki F.<\/span><\/p>\n Je\u015bli warto\u015b\u0107 p jest mniejsza ni\u017c wybrany poziom istotno\u015bci ( najcz\u0119\u015bciej wybierane warto\u015bci to 0,01, 0,05 i 0,10<\/em> ), w\u00f3wczas masz wystarczaj\u0105ce dowody, aby stwierdzi\u0107, \u017ce Tw\u00f3j model regresji pasuje do danych tylko jako model oryginalny. Model.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce mamy nast\u0119puj\u0105cy zestaw danych, kt\u00f3ry pokazuje ca\u0142kowit\u0105 liczb\u0119 przepracowanych godzin, ca\u0142kowit\u0105 liczb\u0119 zdanych egzamin\u00f3w przygotowawczych i oceny ko\u0144cowe z egzaminu dla 12 r\u00f3\u017cnych uczni\u00f3w:<\/span><\/p>\n Aby przeanalizowa\u0107 zwi\u0105zek pomi\u0119dzy przepracowanymi godzinami i zdanymi egzaminami przygotowawczymi a ocen\u0105 z egzaminu ko\u0144cowego uzyskan\u0105 przez studenta, przeprowadzamy wielokrotn\u0105 regresj\u0119 liniow\u0105, wykorzystuj\u0105c<\/em> przepracowane godziny<\/em> i egzaminy przygotowawcze<\/em> jako zmienne predykcyjne oraz ko\u0144cow\u0105 ocen\u0119 z egzaminu<\/em> jako zmienn\u0105 odpowiedzi.<\/span><\/p>\n Otrzymujemy nast\u0119puj\u0105cy wynik:<\/span><\/p>\n Na podstawie tych wynik\u00f3w skupimy si\u0119 na statystyce F podanej w tabeli ANOVA, jak r\u00f3wnie\u017c na warto\u015bci p tej statystyki F, kt\u00f3ra jest oznaczona w tabeli jako Istotno\u015b\u0107 F.<\/em> Jako poziom istotno\u015bci wybierzemy 0,05.<\/span><\/p>\n Statystyka F:<\/strong> 5,090515<\/span><\/p>\n Warto\u015b\u0107 p:<\/strong> 0,0332<\/span><\/p>\n Uwaga techniczna:<\/strong> Statystyk\u0119 F oblicza si\u0119 jako regresj\u0119 MS podzielon\u0105 przez reszt\u0119 MS. W tym przypadku regresja MS \/ reszta MS = 273,2665 \/ 53,68151 = 5,090515<\/strong> .<\/em><\/span><\/p>\n<\/blockquote>\n Poniewa\u017c warto\u015b\u0107 p jest poni\u017cej poziomu istotno\u015bci, mo\u017cemy stwierdzi\u0107, \u017ce nasz model regresji pasuje do danych lepiej ni\u017c model zawieraj\u0105cy wy\u0142\u0105cznie wyraz wolny.<\/span><\/p>\n W kontek\u015bcie tego konkretnego problemu oznacza to, \u017ce u\u017cycie w modelu zmiennych predykcyjnych godzin nauki<\/em> i egzamin\u00f3w przygotowawczych<\/em> pozwala nam lepiej dopasowa\u0107 dane, ni\u017c gdyby\u015bmy je pomin\u0119li i po prostu u\u017cyli modelu przechwytuj\u0105cego w spos\u00f3b unikalny.<\/span><\/p>\n Og\u00f3lnie rzecz bior\u0105c, je\u015bli \u017cadna ze zmiennych predykcyjnych nie jest istotna statystycznie, og\u00f3lny test F r\u00f3wnie\u017c nie b\u0119dzie istotny statystycznie.<\/span><\/p>\n Jednak\u017ce w niekt\u00f3rych przypadkach mo\u017ce tak nie by\u0107, poniewa\u017c test F dla og\u00f3lnej istotno\u015bci sprawdza, czy wszystkie zmienne predykcyjne s\u0105 \u0142\u0105cznie<\/em> istotne, podczas gdy test T dla istotno\u015bci dla ka\u017cdej indywidualnej zmiennej predykcyjnej po prostu sprawdza, czy ka\u017cda zmienna predykcyjna jest istotna. indywidualnie<\/em> istotne.<\/span><\/p>\n Zatem test F okre\u015bla, czy wszystkie<\/em> zmienne predykcyjne s\u0105 \u0142\u0105cznie istotne, czy nie.<\/span><\/p>\n Mo\u017cliwe jest, \u017ce ka\u017cda zmienna predykcyjna nie jest istotna, a mimo to test F wskazuje, \u017ce wszystkie zmienne predykcyjne \u0142\u0105cznie s\u0105 istotne.<\/span><\/p>\n Uwaga techniczna:<\/strong> Og\u00f3lnie rzecz bior\u0105c, im wi\u0119cej zmiennych predykcyjnych znajduje si\u0119 w modelu, tym wi\u0119ksze prawdopodobie\u0144stwo, \u017ce statystyka F i odpowiadaj\u0105ca jej warto\u015b\u0107 p b\u0119d\u0105 statystycznie istotne.<\/em><\/span><\/p>\n<\/blockquote>\n Kolejn\u0105 metryk\u0105, kt\u00f3r\u0105 prawdopodobnie zobaczysz w wynikach regresji, jest R-kwadrat<\/a> , kt\u00f3ry mierzy si\u0142\u0119 liniowej zale\u017cno\u015bci mi\u0119dzy zmiennymi predykcyjnymi a zmienn\u0105 odpowiedzi.<\/span><\/p>\n Chocia\u017c R-kwadrat mo\u017ce da\u0107 wyobra\u017cenie o stopniu, w jakim zmienne predykcyjne s\u0105 silnie powi\u0105zane ze zmienn\u0105 odpowiedzi, nie zapewnia formalnego testu statystycznego dla tej zale\u017cno\u015bci.<\/span><\/p>\n W\u0142a\u015bnie dlatego test F jest przydatny, poniewa\u017c jest formalnym testem statystycznym. Dodatkowo, je\u015bli og\u00f3lny test F jest istotny, mo\u017cna stwierdzi\u0107, \u017ce R-kwadrat nie wynosi zero i \u017ce korelacja mi\u0119dzy zmiennymi predykcyjnymi a zmienn\u0105 odpowiedzi jest istotna statystycznie.<\/span><\/p>\n Poni\u017csze tutoriale wyja\u015bniaj\u0105, jak interpretowa\u0107 inne popularne warto\u015bci w modelach regresji:<\/span><\/p>\n Jak czyta\u0107 i interpretowa\u0107 tabel\u0119 regresji<\/a> W tym samouczku wyja\u015bniono, jak zidentyfikowa\u0107 statystyk\u0119 F w wynikach tabeli regresji, a tak\u017ce jak interpretowa\u0107 t\u0119 statystyk\u0119 i odpowiadaj\u0105c\u0105 jej warto\u015b\u0107 p. Zrozumienie testu og\u00f3lnego znaczenia F Test F og\u00f3lnego znaczenia w regresji to test maj\u0105cy na celu okre\u015blenie, czy model regresji liniowej zapewnia lepsze dopasowanie do zbioru danych ni\u017c model bez zmiennych predykcyjnych. […]<\/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-470","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Zrozumienie testu og\u00f3lnego znaczenia F<\/strong><\/span><\/h2>\n
Przyk\u0142ad: test F w regresji<\/strong><\/span><\/h2>\n
\n
Uwagi dotycz\u0105ce interpretacji testu F og\u00f3lnej istotno\u015bci<\/strong><\/span><\/h2>\n
\n
Dodatkowe zasoby<\/strong><\/span><\/h2>\n
Zrozumienie b\u0142\u0119du standardowego regresji<\/a>
Jaka jest dobra warto\u015b\u0107 R-kwadrat?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"