Немного предыстории
Я работаю над интерпретацией регрессионного анализа, но я действительно запутался в значении r, r в квадрате и остаточного стандартного отклонения. Я знаю определения:
характеризации
r измеряет силу и направление линейной зависимости между двумя переменными на диаграмме рассеяния
R-квадрат - это статистическая мера того, насколько близки данные к подогнанной линии регрессии.
Остаточное стандартное отклонение - это статистический термин, используемый для описания стандартного отклонения точек, сформированных вокруг линейной функции, и является оценкой точности измеряемой зависимой переменной. ( Не знаю, что такое юниты, любая информация о юнитах здесь будет полезна )
(источники: здесь )
Вопрос:
Хотя я «понимаю» характеристики, я понимаю, как эти термины пытаются сделать вывод о наборе данных. Я приведу здесь небольшой пример, может быть, это может послужить руководством для ответа на мой вопрос (не стесняйтесь использовать собственный пример!).
Пример
Это не вопрос практической работы, однако я искал в своей книге, чтобы получить простой пример (текущий анализируемый набор данных слишком сложный и большой, чтобы показать его здесь)
Двадцать участков, каждый 10 х 4 метра, были случайно выбраны на большом поле кукурузы. Для каждого участка наблюдали плотность растений (количество растений на участке) и средний вес початка (г зерна на початок). Результаты приведены в следующей таблице:
(источник: Статистика для наук о жизни )
╔═══════════════╦════════════╦══╗
║ Platn density ║ Cob weight ║ ║
╠═══════════════╬════════════╬══╣
║ 137 ║ 212 ║ ║
║ 107 ║ 241 ║ ║
║ 132 ║ 215 ║ ║
║ 135 ║ 225 ║ ║
║ 115 ║ 250 ║ ║
║ 103 ║ 241 ║ ║
║ 102 ║ 237 ║ ║
║ 65 ║ 282 ║ ║
║ 149 ║ 206 ║ ║
║ 85 ║ 246 ║ ║
║ 173 ║ 194 ║ ║
║ 124 ║ 241 ║ ║
║ 157 ║ 196 ║ ║
║ 184 ║ 193 ║ ║
║ 112 ║ 224 ║ ║
║ 80 ║ 257 ║ ║
║ 165 ║ 200 ║ ║
║ 160 ║ 190 ║ ║
║ 157 ║ 208 ║ ║
║ 119 ║ 224 ║ ║
╚═══════════════╩════════════╩══╝
Сначала я сделаю диаграмму рассеяния для визуализации данных:
чтобы я мог рассчитать r, R 2 и остаточное стандартное отклонение.
Сначала корреляционный тест:
Pearson's product-moment correlation
data: X and Y
t = -11.885, df = 18, p-value = 5.889e-10
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
-0.9770972 -0.8560421
sample estimates:
cor
-0.9417954
и во-вторых, краткое изложение линии регрессии:
Residuals:
Min 1Q Median 3Q Max
-11.666 -6.346 -1.439 5.049 16.496
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 316.37619 7.99950 39.55 < 2e-16 ***
X -0.72063 0.06063 -11.88 5.89e-10 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 8.619 on 18 degrees of freedom
Multiple R-squared: 0.887, Adjusted R-squared: 0.8807
F-statistic: 141.3 on 1 and 18 DF, p-value: 5.889e-10
Итак, на основании этого теста: r = -0.9417954
, R-квадрат: 0.887
и Остаточная стандартная ошибка: 8.619
что эти значения говорят нам о наборе данных? (см. вопрос )