1. Nauka
    2. /
  2. Kursy
    3. /
  3. Wnioskowanie w regresji liniowej w R
Connected

ćwiczenie

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.

Instrukcje

100 XP
  • Wczytaj pakiet mosaicData oraz dane RailTrail. Zbiór RailTrail zawiera 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 jest volume (liczba rowerzystów), a zmienną objaśniającą – hightemp (maksymalna temperatura danego dnia). Przypisz wynik funkcji lm() do obiektu ride_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.