如何解释 R 中的重要性代码？

在本文中，我们将讨论如何在 R 编程语言中解释意义代码。

显着性代码表明我们可以确定以下系数将对因变量产生影响。这有助于我们确定影响目标变量变化的主成分。为了计算 R 语言中回归模型的显着性代码，我们使用了 summary()函数。 summary()函数使用每个组件的统计测量来总结线性模型拟合。

Syntax:

summary( Regression_model )

Parameter:

Regression_ model: determines the model whose summary we have to find.

回归模型摘要中的显着性代码是其 p 值变化的度量。下表显示了每个显着性代码的 p 值范围。

Significance Codes	p-value
***	[0, 0.001]
**	(0.001, 0.01]
*	(0.01, 0.05]
.	(0.05, 0.1]
	(0.1, 1]

在这里，变量的 p 值越小，它对该模型的意义就越大。例如，如果 var1 具有显着性代码 **，而 var2 具有显着性 *，则意味着对于该回归模型， var1 比 var2 更显着，因为它具有较小的 p 值。

示例：线性模型的重要性代码。

R

# load library tidyverse
library(tidyverse)
  
# fit regression model 
linear_model <- lm(price ~ carat + depth + table,
                   data = diamonds)
  
# view model summary
summary(linear_model)

输出：

Call:

lm(formula = price ~ carat + depth + table, data = diamonds)

Residuals:

    Min       1Q   Median       3Q      Max  

-18288.0   -785.9    -33.2    527.2  12486.7  

Coefficients:

            Estimate Std. Error t value Pr(>|t|)    

(Intercept) 13003.441    390.918   33.26   <2e-16 ***

carat        7858.771     14.151  555.36   <2e-16 ***

depth        -151.236      4.820  -31.38   <2e-16 ***

table        -104.473      3.141  -33.26   <2e-16 ***

—

Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 1526 on 53936 degrees of freedom

Multiple R-squared:  0.8537,    Adjusted R-squared:  0.8537  

F-statistic: 1.049e+05 on 3 and 53936 DF,  p-value: < 2.2e-16

示例：单向方差分析模型的重要性代码。

R

# load library tidyverse
library(tidyverse)
  
# fit anova model 
anova_model <- aov(price~carat, data = diamonds)
  
# view model summary
summary(anova_model)

输出：

               Df    Sum Sq   Mean Sq F value Pr(>F)    

carat           1 7.291e+11 7.291e+11  304051 <2e-16 ***

Residuals   53938 1.293e+11 2.398e+06                    

—

Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1