Вивід регресії: приклад I

Наведений код показує два рівноцінні способи обчислити найважливіші елементи виводу лінійної моделі. Нагадаємо: p-значення — це ймовірність спостережуваних даних (або ще більш екстремальних), якщо нульова гіпотеза істинна. Як і в інших випадках інференції, вам потрібен вибірковий розподіл статистики (тут це кутовий коефіцієнт, тобто нахил) за умови, що нульова гіпотеза істинна. Ви згенеруєте нульовий вибірковий розподіл у наступних розділах, а поки припустіть, що цей нульовий розподіл правильний. Також зверніть увагу, що стандартні похибки оцінок нахилу та вільного члена описують мінливість цих оцінок.

Ця вправа є частиною курсу

Статистичні висновки для лінійної регресії в R

Переглянути курс

Інструкції до вправи

Завантажте пакет mosaicData і дані RailTrail. Дані RailTrail містять відомості про кількість користувачів стежки у Флоренсі, Массачусетс, та погоду за кожен день.
За допомогою функції lm() запустіть лінійну модель, де volume поїздок регресується на денну hightemp. Присвойте результат роботи lm() об'єкту ride_lm.
Використайте функцію summary() для виводу лінійної моделі, щоб побачити інференційний аналіз (зокрема p-значення для нахилу).
Додатково застосуйте tidy() до виводу лінійної моделі, щоб полегшити подальше використання.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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
___

Редагувати та запускати код