Comment évaluer les données linéaires avec les variables nominales R

Naturellement, R fournit tout un ensemble de tests et des mesures pour évaluer dans quelle mesure votre modèle correspond à vos données et pour examiner les hypothèses du modèle. Encore une fois, l'aperçu présenté ici est loin d'être complet, mais il vous donne une idée de ce qui est possible et un point de départ pour approfondir la question.

Comment résumer le modèle

La fonction summary () vous renvoie immédiatement le test F pour les modèles construits avec aov (). Pour les modèles lm (), c'est légèrement différent. Jetez un oeil à la sortie:

>> Modèle. modèle résumé. Appel résumé: lm (formule = mpg ~ wt, données = mtcars) Résidus: Min 1Q Médian 3Q Max -4. 5432 -2. 3647 -0. 1252 1. 4096 6. 8727 Coefficients: Estimation Std. Erreur t valeur Pr (> | t |) (Interception) 37. 2851 1. 8776 19. 858 <2e-16 *** wt -5. 3445 0. 5591 -9. 559 1. 29e-10 *** --- Signif. codes: 0 '***' 0. 001 '**' 0. 01 '*' 0. 05 '. '0. 1 "1 Erreur-type résiduelle: 3. 046 sur 30 degrés de liberté Multiple R-carré: 0. 7528, R-carré ajusté: 0. 7446 Statistique F: 91. 38 sur 1 et 30 DF, p- value: 1. 294e-10

Voici toute une série d'informations utiles:

La distribution des résidus, qui vous donne une première idée à propos de la façon dont les hypothèses d'un modèle linéaire tiennent

• Les coefficients accompagnés d'un test t, vous indiquant dans quelle mesure chaque coefficient diffère significativement de zéro

• Les mesures de qualité d'ajustement R

• 2 > et le R ajusté ² Le test F qui vous permet de savoir si votre modèle explique une partie importante de la variance de vos données

• Vous peut utiliser la fonction coef () pour extraire une matrice avec les estimations, les erreurs standard, et la valeur t et la valeur p pour les coefficients de l'objet récapitulatif comme ceci: >> coef (Résumé du modèle) Estimation Std Erreur t valeur Pr (> | t |) (Interception) 37. 285126 1. 877627 19. 857575 8. 241799e-19 wt -5. 344472 0. 559101 -9. 559044 1. 293959e-10

  Si ces termes ne vous disent rien, recherchez-les dans une bonne source sur la modélisation. Pour une introduction complète à l'application et l'interprétation des modèles linéaires correctement, consultez

Applied Linear Statistical Models,

5ème édition, par Michael Kutner et al (McGraw-Hill / Irwin).

Comment tester l'impact des termes du modèle Pour obtenir une analyse de la table de variance - comme la fonction summary () fait pour un modèle ANOVA - vous utilisez simplement la fonction anova () et passez le modèle lm () objet comme argument, comme ceci: >> Model. Modèle anova. anova Analyse de la table de variance Réponse: mpg Df Somme Sq Moyenne Sq F valeur Pr (> F) wt 1 847.73 847. 73 91. 375 1. 294e-10 *** Résidus 30 278. 32 9. 28 --- Signif. codes: 0 '***' 0. 001 '**' 0. 01 '*' 0. 05 '. '0. 1 "1 Ici, l'objet résultant est un bloc de données qui vous permet d'extraire n'importe quelle valeur de cette table à l'aide des outils de sous-ensemble et d'indexation.Par exemple, pour obtenir la valeur p, vous pouvez:: >> Modèle anova ['wt', 'Pr (> F)'] [1] 1. 293959e-10

Vous pouvez interpréter cette valeur comme la probabilité d'ajouter la variable wt au modèle doesn ' La faible valeur de p indique ici que le poids d'une voiture (wt) explique une part importante de la différence de kilométrage (mpg) entre les voitures, ce qui ne devrait pas surprendre, une voiture plus lourde

Vous pouvez également utiliser la fonction anova () pour comparer différents modèles, et de nombreux packages de modélisation fournissent cette fonctionnalité.Vous trouverez des exemples dans la plupart des pages d'aide associées. comme? anova. lm et? anova. glm.