计算线性回归模型中β的T统计量

时间:2017-10-28 15:58:28

标签: r statistics regression linear-regression linear

我有以下等式来计算简单线性回归模型的t统计量。

t = beta1 / SE(beta1)

SE(β1的)= SQRT((RSS / VAR(X1))*(1 / N-2))

如果我想用R做一个简单的例子,我无法得到与R中的线性模型相同的结果。

x <- c(1,2,4,8,16)
y <- c(1,2,3,4,5)

mod <- lm(y~x)
summary(mod)

Call:
lm(formula = y ~ x)

Residuals:
       1        2        3        4        5 
-0.74194  0.01613  0.53226  0.56452 -0.37097 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)  
(Intercept)  1.50000    0.44400   3.378   0.0431 *
x            0.24194    0.05376   4.500   0.0205 *
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.6558 on 3 degrees of freedom
Multiple R-squared:  0.871, Adjusted R-squared:  0.828 
F-statistic: 20.25 on 1 and 3 DF,  p-value: 0.02049

如果我手动执行此操作,我会得到另一个值。

var(x)
37.2
sum(resid(mod)^2)
1.290323

β1的= 0.24194

SE(β1的)= SQRT((1.290323 / 37.2)*(1/3)) SE(β1的)= 0.1075269

因此t = 0.24194 /0.1075269 = 2.250042

那么为什么我的计算精确到R的一半值呢?它与一/二尾测试有关吗? t(0.05 / 2)的值为3.18

此致 扬

1 个答案:

答案 0 :(得分:2)

不同的结果是由se(beta)的公式中缺少的术语引起的。它应该是:

se(beta) = sqrt((1 / (n - 2)) * rss / (var(x) * (n - 1)))

该公式通常写为:

se(beta) = sqrt((1 / (n - 2)) * rss / sum((x - mean(x)) ^ 2))

而不是var(x)

为了完整起见,这里还有计算检查:

reprex::reprex_info()
#> Created by the reprex package v0.1.1.9000 on 2017-10-30

x <- c(1, 2, 4, 8, 16)
y <- c(1, 2, 3, 4, 5)
n <- length(x)

mod <- lm(y ~ x)
summary(mod)
#> 
#> Call:
#> lm(formula = y ~ x)
#> 
#> Residuals:
#>        1        2        3        4        5 
#> -0.74194  0.01613  0.53226  0.56452 -0.37097 
#> 
#> Coefficients:
#>             Estimate Std. Error t value Pr(>|t|)  
#> (Intercept)  1.50000    0.44400   3.378   0.0431 *
#> x            0.24194    0.05376   4.500   0.0205 *
#> ---
#> Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> 
#> Residual standard error: 0.6558 on 3 degrees of freedom
#> Multiple R-squared:  0.871,  Adjusted R-squared:  0.828 
#> F-statistic: 20.25 on 1 and 3 DF,  p-value: 0.02049

mod_se_b <- summary(mod)$coefficients[2, 2]

rss <- sum(resid(mod) ^ 2)
se_b <- sqrt((1 / (n - 2)) * rss / (var(x) * (n - 1)))

all.equal(se_b, mod_se_b)
#> [1] TRUE