शुरू करेंमुफ़्त में शुरू करें

Regression आउटपुट: उदाहरण I

निम्नलिखित कोड रैखिक मॉडल के आउटपुट के सबसे महत्वपूर्ण हिस्सों की गणना करने के दो समकक्ष तरीके देता है. याद कीजिए कि p-value वह प्रायिकता है जिसमें शून्य परिकल्पना सही मानते हुए, प्रेक्षित डेटा (या उससे भी अधिक चरम) मिलने की संभावना होती है. जैसे अन्य प्रसंगों में इनफ़रेंस के लिए होता है, आपको सांख्यिक (यहाँ ढाल/slope) की सैंपलिंग डिस्ट्रीब्यूशन चाहिए होगी, यह मानकर कि शून्य परिकल्पना सही है. आप बाद के चैप्टर्स में शून्य सैंपलिंग डिस्ट्रीब्यूशन जनरेट करेंगे, लेकिन फिलहाल मान लीजिए कि शून्य सैंपलिंग डिस्ट्रीब्यूशन सही है. इसके अलावा, ध्यान दें कि ढाल और इंटरसेप्ट के अनुमानों का स्टैंडर्ड एरर उन अनुमानों की वैरिएबिलिटी को दर्शाता है.

यह अभ्यास पाठ्यक्रम का हिस्सा है

R में Linear Regression के लिए Inference

पाठ्यक्रम देखें

अभ्यास निर्देश

  • mosaicData पैकेज लोड करें और RailTrail डेटा लोड करें. RailTrail डेटा में Florence, MA की एक ट्रेल के यूज़र्स की संख्या और हर दिन के मौसम की जानकारी है.
  • lm() फंक्शन का उपयोग करके एक लीनियर मॉडल चलाएँ, जिसमें दिन के hightemp पर राइडर्स के volume को रिग्रेस किया जाए. lm() फंक्शन के आउटपुट को ride_lm ऑब्जेक्ट में असाइन करें.
  • लीनियर मॉडल के आउटपुट पर summary() फंक्शन का उपयोग करें ताकि इनफ़रेंशियल विश्लेषण देखें (जिसमें ढाल के लिए p-value भी शामिल है).
  • साथ ही, आगे उपयोग में आसानी के लिए लीनियर मॉडल आउटपुट को tidy() कीजिए.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# 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
___
कोड संपादित करें और चलाएँ