我刚刚读过一篇论文,其中的作者对两个预测变量进行了多元回归。总体r平方值为0.65。他们提供了一个表格,用于在两个预测变量之间划分r平方。该表如下所示:
rsquared beta df pvalue
whole model 0.65 NA 2, 9 0.008
predictor 1 0.38 1.01 1, 10 0.002
predictor 2 0.27 0.65 1, 10 0.030
在该模型中,R
使用mtcars
数据集运行时,总体r平方值为0.76。
summary(lm(mpg ~ drat + wt, mtcars))
Call:
lm(formula = mpg ~ drat + wt, data = mtcars)
Residuals:
Min 1Q Median 3Q Max
-5.4159 -2.0452 0.0136 1.7704 6.7466
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 30.290 7.318 4.139 0.000274 ***
drat 1.442 1.459 0.989 0.330854
wt -4.783 0.797 -6.001 1.59e-06 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 3.047 on 29 degrees of freedom
Multiple R-squared: 0.7609, Adjusted R-squared: 0.7444
F-statistic: 46.14 on 2 and 29 DF, p-value: 9.761e-10
如何在两个预测变量之间划分r平方值?
1
这篇文章提供有关如何对进行分区的信息。
—
COOLSerdash
这一评论可以简短而又不充分地代表一种观点,即如果不是危险的话,这往往是徒劳的。最好将模型的成功或失败视为预测因素(及其特定的功能形式,交互作用项等)的团队合作的结果,并应这样判断。自然地,我们大多数人都对预测变量的相对重要性感兴趣,这并不是胡说八道,但是,要对量化变量进行量化的尝试恰恰需要伴随着对这种演习的技术和哲学局限性的完整陈述。
—
Nick Cox