Sortie de régression : exemple I

Le code ci-dessous présente deux méthodes équivalentes pour calculer les éléments les plus importants de la sortie d'un modèle linéaire. Rappelez-vous que la valeur p est la probabilité d'obtenir les données observées (ou des données plus extrêmes) si l'hypothèse nulle est vraie. Comme pour l'inférence dans d'autres contextes, vous aurez besoin de la distribution d'échantillonnage de la statistique (ici, la pente) en supposant que l'hypothèse nulle est vraie. Vous générerez cette distribution d'échantillonnage nulle dans les chapitres suivants, mais pour l'instant, supposez qu'elle est correcte. De plus, remarquez que l'erreur-type des estimations de la pente et de l'ordonnée à l'origine décrit la variabilité de ces estimations.

Cette activité fait partie du cours

Inférence pour la régression linéaire en R

Voir le cours

Instructions de l’exercice

Chargez le paquet mosaicData et chargez les données RailTrail. Les données RailTrail contiennent de l'information sur le nombre d'utilisateurs d'un sentier à Florence (MA) ainsi que la météo pour chaque jour.
À l'aide de la fonction lm(), exécutez un modèle linéaire régressant le volume de cyclistes sur la hightemp de la journée. Assignez la sortie de la fonction lm() à l'objet ride_lm.
Utilisez la fonction summary() sur la sortie du modèle linéaire pour voir l'analyse inférentielle (y compris la valeur p pour la pente).
En plus, appliquez tidy() à la sortie du modèle linéaire pour la rendre plus facile à utiliser par la suite.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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
___

Modifier et exécuter le code