计算回归系数是否在r中有统计学意义

Question

我有来自另一个程序进行的回归分析的结果，我想用R测试它们是否显着。我知道LS.DIAG（）计算回归结果的标准错误和t检验，但它需要一个非常特定的输入格式（即lsfit（）的结果），因此我不认为我不能使用它。R中是否存在任何功能，从而计算回归分析的标准错误和t检验，这使我能够用手将相关系数提供给功能？

Answer 1

我不太确定你正在寻找的东西，但这是一个指导方针

# this is a model obtained from ?lm 
ctl <- c(4.17,5.58,5.18,6.11,4.50,4.61,5.17,4.53,5.33,5.14)
trt <- c(4.81,4.17,4.41,3.59,5.87,3.83,6.03,4.89,4.32,4.69)
group <- gl(2,10,20, labels=c("Ctl","Trt"))
weight <- c(ctl, trt)
lm.D9 <- lm(weight ~ group)
summary(lm.D9) this is our target

.

假设我们只有回归系数，标准错误和样本大小

beta <- coef(lm.D9)
errorBeta <- summary(lm.D9)$coefficients[,2]
n <- length(weight) # the sample size
k <- length(beta) # number of regression parameters

.

我认为这是你的情况，如果你没有系数标准错误，那么你必须估计它们，它很容易。

一旦您有回归系数及其标准错误，可以估计T-Stat：

t_stats <- beta/errorBeta

.

拇指的规则，如果| t_stats |>= 2然后系数在5％的水平下具有统计学意义。但如果您想知道p值，请使用：

pt(abs(t_stats), n-k, lower.tail=FALSE)*2

.

如果p值> 0.05则在该级别的相关系数没有统计显着。

您所需要的一切都知道系数，标准错误和样本大小。否则你不会这样做。