❮ 数据科学线性回归系数
数据科学线性回归 R 平方 ❯
数据科学- 回归表:P值
更新于 2024/5/28 10:21:00
回归表中的 "系数部分的统计"
现在，我们要测试线性回归函数的系数是否对因变量 (Calorie_Burnage) 有显着影响。
这意味着我们要使用统计测试来证明 Average_Pulse 和 Calorie_Burnage 之间存在关系。
解释系数统计的成分有四个:
std err 代表标准错误
t 是系数的"t值"
P>|t| 被称为"P值"
[0.025 0.975]表示系数的置信区间
我们将重点了解本模块中的 "P 值"。
P 值
P 值是一个统计数字，用于推断 Average_Pulse 和 Calorie_Burnage 之间是否存在关系。
我们测试系数的真实值是否等于零（无关系）。 对此的统计检验称为假设检验。
低 P 值 (< 0.05) 意味着系数可能不等于零。
高 P 值 (> 0.05) 意味着我们无法得出解释变量影响因变量的结论（此处:如果 Average_Pulse 影响 Calorie_Burnage）。
高 P 值也称为不显着的 P 值。
假设检验
假设检验是一种统计程序，用于检验您的结果是否有效。
在我们的示例中，我们正在测试 Average_Pulse 的真实系数和截距是否等于 0。
假设检验有两个陈述。 原假设和备择假设。
原假设可以简写为 H0
备择假设可以简写为 HA
数学写法:
H0: Average_Pulse = 0 HA: Average_Pulse ≠ 0H0: Intercept = 0 HA: Intercept ≠ 0
标志 ≠ 表示 "不等于"
假设检验和 P 值
原假设可以被拒绝，也可以不被拒绝。
如果我们拒绝原假设，我们会得出结论，Average_Pulse 和 Calorie_Burnage 之间存在关系。 此结论使用 P 值。
P 值的常见阈值是 0.05。
注意: P 值为 0.05 意味着 5% 的时间，我们会错误地拒绝原假设。 这意味着我们接受 5% 的情况下，我们可能错误地缔结了一段关系。
如果 P 值低于 0.05，我们可以拒绝原假设并得出变量之间存在关系的结论。
但是，Average_Pulse 的 P 值为 0.824。 因此，我们无法得出 Average_Pulse 和 Calorie_Burnage 之间的关系。
表示Average_Pulse的真实系数为0的概率为82.4%。
截距用于调整回归函数更精确地预测的能力。 因此，解释截距的 P 值并不常见。
❮ 数据科学线性回归系数
数据科学线性回归 R 平方 ❯