Regressie-uitvoer: voorbeeld I

De onderstaande code laat twee gelijkwaardige methoden zien om de belangrijkste onderdelen van de uitvoer van een lineair model te berekenen. Onthoud dat de p-waarde de kans is op de geobserveerde data (of extremer) gegeven dat de nulhypothese waar is. Net als bij inferentie in andere contexten heb je de steekproefverdeling nodig voor de statistiek (hier de helling) onder de aanname dat de nulhypothese waar is. Je genereert de nul-steekproefverdeling in latere hoofdstukken, maar ga er nu van uit dat die verdeling correct is. Let bovendien op dat de standaardfout van de schatting van helling en intercept de variabiliteit van die schattingen beschrijft.

Deze oefening maakt deel uit van de cursus

Inferentie voor lineaire regressie in R

Bekijk cursus

Oefeninstructies

Laad het pakket mosaicData en laad de gegevens RailTrail. De RailTrail-gegevens bevatten informatie over het aantal gebruikers van een trail in Florence, MA en het weer per dag.
Gebruik de functie lm() om een lineair model te fitten waarin je de volume van rijders regressieert op de hightemp van de dag. Ken de uitvoer van lm() toe aan het object ride_lm.
Gebruik de functie summary() op de uitvoer van het lineaire model om de inferentiële analyse te bekijken (inclusief de p-waarde voor de helling).
Maak daarnaast de uitvoer van het lineaire model tidy() om die later makkelijker te kunnen gebruiken.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# 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 bewerken en uitvoeren