Regressionsausgabe: Beispiel I

Der folgende Code zeigt zwei gleichwertige Methoden, um die wichtigsten Bestandteile der Ausgabe eines linearen Modells zu berechnen. Denk daran: Der p-Wert ist die Wahrscheinlichkeit der beobachteten Daten (oder extremer), gegeben dass die Nullhypothese wahr ist. Wie bei Inferenz in anderen Kontexten brauchst du die Stichprobenverteilung der Kennzahl (hier: der Steigung), unter der Annahme, dass die Nullhypothese gilt. Du wirst die Null-Stichprobenverteilung in späteren Kapiteln erzeugen; fürs Erste nehmen wir an, dass diese Verteilung korrekt ist. Beachte außerdem: Die Standardfehler der Schätzungen für Steigung und Achsenabschnitt beschreiben die Streuung dieser Schätzwerte.

Diese Übung ist Teil des Kurses

Schlussfolgern bei der linearen Regression in R

Kurs anzeigen

Anleitung zur Übung

Lade das Paket mosaicData und lade die Daten RailTrail. Die RailTrail-Daten enthalten Informationen über die Anzahl der Nutzer eines Trails in Florence, MA, und das Wetter für jeden Tag.
Verwende die Funktion lm(), um ein lineares Modell zu schätzen, das die volume der Fahrer auf die hightemp des Tages regressiert. Weise die Ausgabe von lm() dem Objekt ride_lm zu.
Nutze die Funktion summary() auf der Ausgabe des linearen Modells, um die Inferenzanalyse zu sehen (einschließlich des p-Werts für die Steigung).
Verwende zusätzlich tidy() auf der Ausgabe des linearen Modells, damit sie später leichter weiterverwendet werden kann.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Load the mosaicData package and the RailTrail data
library(mosaicData)
data(RailTrail)

# Fit a linear model
ride_lm <- ___

# View the summary of your model
___

# Print the tidy model output
___

Code bearbeiten und ausführen