R语言 如何解释显著性代码

在这篇文章中，我们将讨论如何在R编程语言中解释显著性代码。

显著性代码表明我们对以下系数对因变量的影响的确定程度。这有助于我们确定影响我们目标变量变化的主要成分。为了计算R语言中回归模型的显著性代码，我们使用summary()函数。summary()函数使用每个分量的统计措施对线性模型拟合进行总结。

语法

summary( Regression_model )

参数 。

Regression_model： 决定了我们必须找到其摘要的模型。

回归模型摘要中的显著性代码是对其p值变化的衡量。下表显示了每个显著性代码的p值范围。

这里，一个变量的P值越小，它对该模型的意义就越大。例如，如果var1的显著性代码为**，var2的显著性为*，那么这意味着var1对于该回归模型来说比var2更有意义，因为它的p值更小。

例如： 线性模型的显著性代码。

# load library tidyverse
library(tidyverse)
 
# fit regression model
linear_model <- lm(price ~ carat + depth + table,
                   data = diamonds)
 
# view model summary
summary(linear_model)

输出

Call:

lm(formula = price ~ carat + depth + table, data = diamonds)

Residuals:

Min       1Q   Median       3Q      Max

-18288.0   -785.9    -33.2    527.2  12486.7

Coefficients:

Estimate Std. Error t value Pr(>|t|)

(Intercept) 13003.441    390.918   33.26   <2e-16 ***

carat        7858.771     14.151  555.36   <2e-16 ***

depth        -151.236      4.820  -31.38   <2e-16 ***

table        -104.473      3.141  -33.26   <2e-16 ***

—

Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 1526 on 53936 degrees of freedom

Multiple R-squared:  0.8537,    Adjusted R-squared:  0.8537

F-statistic: 1.049e+05 on 3 and 53936 DF,  p-value: < 2.2e-16

例子： 单程方差分析模型的显著性代码。

# load library tidyverse
library(tidyverse)
 
# fit anova model
anova_model <- aov(price~carat, data = diamonds)
 
# view model summary
summary(anova_model)

输出

Df    Sum Sq   Mean Sq F value Pr(>F)

carat           1 7.291e+11 7.291e+11  304051 <2e-16 ***

Residuals   53938 1.293e+11 2.398e+06

—

Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1