我有一个这样的数据表(table.b1):
y x1 x2 x3
1 10 2113 1985 38.9
2 11 2003 2855 38.8
3 11 2957 1737 40.1
我对此进行了多重回归:
fit <- lm( y ~ x1 + x2 + x3 , table.b1 )
现在我想计算用于测试假设个体的t统计量β1= 0,Beta2 = 0,Beta3 = 0在R中。
答案 0 :(得分:2)
正如@ekstroem所提到的:使用summary(fit)
。
dat <- data.frame(
"y" = rnorm(100),
"x1" = rnorm(100),
"x2" = rnorm(100),
"x3" = rnorm(100)
)
fit <- lm( y ~ x1 + x2 + x3 , dat)
summary(fit)
输出
Call: lm(formula = y ~ x1 + x2 + x3, data = dat) Residuals: Min 1Q Median 3Q Max -1.8146 -0.6099 0.0218 0.5469 3.1833 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.036911 0.099474 0.371 0.711 x1 -0.008111 0.092547 -0.088 0.930 x2 0.031866 0.089083 0.358 0.721 x3 0.081973 0.101729 0.806 0.422 Residual standard error: 0.9822 on 96 degrees of freedom Multiple R-squared: 0.008441, Adjusted R-squared: -0.02255 F-statistic: 0.2724 on 3 and 96 DF, p-value: 0.8452
您正在寻找的t值。通常,我们宁愿查看p值并在p值小于预定义值时拒绝H0并调用变量(统计上)显着。在大多数情况下,此预定义(alpha-)值为0.05,即5%。所以在我的例子中,非解释变量是重要的,因为它们的p值都高于5%。