Результаты регрессии: пример I

Приведённый ниже код демонстрирует два эквивалентных способа получить наиболее важные характеристики линейной модели. Напомним, что p-значение — это вероятность наблюдаемых данных (или ещё более экстремальных) при условии, что нулевая гипотеза верна. Как и при статистическом выводе в других контекстах, вам потребуется выборочное распределение статистики (в данном случае — наклона) при условии истинности нулевой гипотезы. Нулевое выборочное распределение вы будете строить в следующих главах, а пока считайте, что оно задано корректно. Обратите также внимание: стандартные ошибки оценок наклона и свободного члена описывают разброс этих оценок.

Это упражнение является частью курса

Вывод для линейной регрессии в R

Посмотреть курс

Инструкции к упражнению

Загрузите пакет mosaicData и набор данных RailTrail. Набор данных RailTrail содержит информацию о количестве пользователей тропы во Флоренции (штат Массачусетс) и о погоде за каждый день.
С помощью функции lm() постройте линейную модель, регрессируя volume (количество велосипедистов) на hightemp (максимальную температуру дня). Присвойте результат функции lm() объекту ride_lm.
Примените функцию summary() к объекту линейной модели, чтобы получить результаты статистического вывода (включая p-значение для наклона).
Дополнительно примените функцию tidy() к объекту линейной модели, чтобы привести результаты к удобному для дальнейшей работы виду.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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
___

Редактировать и запускать код