Wyniki regresji: przykład I
Poniższy kod przedstawia dwie równoważne metody obliczania najważniejszych elementów wyników modelu liniowego. Przypomnij sobie, że p-wartość to prawdopodobieństwo uzyskania obserwowanych danych (lub bardziej ekstremalnych) przy założeniu, że hipoteza zerowa jest prawdziwa. Podobnie jak w przypadku wnioskowania statystycznego w innych kontekstach, potrzebujesz rozkładu próbkowania dla statystyki (tutaj: nachylenia) przy założeniu prawdziwości hipotezy zerowej. Rozkład próbkowania dla hipotezy zerowej wygenerujesz w kolejnych rozdziałach – na razie przyjmij, że jest on poprawny. Zwróć też uwagę, że błędy standardowe szacunków nachylenia i wyrazu wolnego opisują zmienność tych szacunków.
To ćwiczenie jest częścią kursu
Wnioskowanie w regresji liniowej w R
Instrukcje do ćwiczenia
- Wczytaj pakiet
mosaicDataoraz daneRailTrail. ZbiórRailTrailzawiera informacje o liczbie użytkowników szlaku w Florence (Massachusetts) oraz o pogodzie w poszczególnych dniach. - Korzystając z funkcji
lm(), dopasuj model liniowy, w którym zmienną objaśnianą jestvolume(liczba rowerzystów), a zmienną objaśniającą –hightemp(maksymalna temperatura danego dnia). Przypisz wynik funkcjilm()do obiekturide_lm. - Użyj funkcji
summary()na wynikach modelu liniowego, aby zobaczyć analizę wnioskowania statystycznego (w tym p-wartość dla nachylenia). - Dodatkowo zastosuj funkcję
tidy()na wynikach modelu liniowego, aby uzyskać dane w wygodniejszym formacie do dalszej pracy.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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
___