ผลลัพธ์การถดถอย: ตัวอย่างที่ 1
โค้ดต่อไปนี้แสดงสองวิธีที่เทียบเท่ากันในการคำนวณส่วนสำคัญของผลลัพธ์จากโมเดลเชิงเส้น ทบทวนไว้ว่า p-value คือความน่าจะเป็นที่จะสังเกตเห็นข้อมูลที่ได้ (หรือที่รุนแรงกว่านั้น) เมื่อสมมติฐานว่างเป็นจริง เช่นเดียวกับการอนุมานในบริบทอื่น ๆ คุณจำเป็นต้องมีการแจกแจงการสุ่มตัวอย่างของสถิติ (ในที่นี้คือความชัน) ภายใต้สมมติฐานว่าง การแจกแจงการสุ่มตัวอย่างภายใต้สมมติฐานว่างจะถูกสร้างขึ้นในบทถัดไป แต่สำหรับตอนนี้ให้ถือว่าการแจกแจงดังกล่าวถูกต้อง นอกจากนี้ ควรสังเกตว่า standard error ของค่าประมาณความชันและจุดตัดแกนสะท้อนถึงความแปรปรวนของค่าประมาณเหล่านั้น
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
การอนุมานสำหรับการถดถอยเชิงเส้นใน R
คำแนะนำการฝึกหัด
- โหลดแพ็กเกจ
mosaicDataและโหลดข้อมูลRailTrailชุดข้อมูลRailTrailมีข้อมูลเกี่ยวกับจำนวนผู้ใช้เส้นทางในเมือง Florence รัฐ MA และสภาพอากาศในแต่ละวัน - ใช้ฟังก์ชัน
lm()สร้างโมเดลเชิงเส้นโดยถดถอยvolumeของผู้ขี่จักรยานต่อhightempของแต่ละวัน แล้วกำหนดผลลัพธ์ของlm()ให้กับออบเจกต์ชื่อride_lm - ใช้ฟังก์ชัน
summary()กับผลลัพธ์ของโมเดลเชิงเส้น เพื่อดูการวิเคราะห์เชิงอนุมาน (รวมถึง p-value ของความชัน) - นอกจากนี้ ใช้
tidy()กับผลลัพธ์ของโมเดลเชิงเส้น เพื่อให้นำไปใช้งานได้ง่ายยิ่งขึ้นในภายหลัง
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# 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
___