当比较回归系数时，如何解释linearHypothesis函数的结果？
当比较回归系数时，如何解释linearHypothesis函数的结果？
提问于 2019-02-10 06:37:35
我使用linearHypothesis函数来检验两个回归系数是否有显着差异。你知道如何解释这些结果吗？
下面是我的输出：
linearHypothesis(fit4.beta, "bfi2.e = bfi2.a")
Linear hypothesis test
Hypothesis:
bfi2.e - bfi2.a = 0
**Model 1:** restricted model<br />
**Model 2:** `mod.ipip.hexaco ~ bfi2.e + bfi2.n + bfi2.a + bfi2.o + bfi2.c`
Res.Df RSS Df Sum of Sq F Pr(>F)
1 722 302.27
2 721 264.06 1 38.214 104.34 < 2.2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1回答 1
Stack Overflow用户
发布于 2019-02-11 20:17:13
除了t统计量，它在所有其他变量存在的情况下测试每个变量的预测能力，另一个可以使用的检验是F检验。(这是在线性模型底部得到的F-test )
这测试了所有β都等于零的零假设，而不是允许它们取任何值的替代方案。如果我们拒绝这个零假设(我们这样做是因为p值很小)，那么这就等同于说有足够的证据得出结论，在我们的线性模型中，至少有一个协变量具有预测能力，即使用回归预测比仅仅猜测平均值更好。
所以基本上，你是在测试所有的系数是否都不同于零或其他一些任意的线性假设，而不是测试单个系数的t检验。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/54611507
复制相关文章
相似问题
腾讯云开发者
