Tähän kysymykseen on jo annettu vastauksia :
Vastaa
Arvioimasi malli: $ x_i = \ alpha + \ beta_yy_i $
$ H_0: \ beta_y = 0 $
$ F = \ frac {(RSS_0-RSS) / p } {RSS / (np-1)} $
On hyvä asettaa siemen, kun käytetään satunnaislukuja, jotta muut voivat lisääntyä.
Yritä joka tapauksessa nähdä, onko tällä järkevää sinulle:
> set.seed(133) > x<-rnorm(20000) > y<-rnorm(20000) > data<- data.frame(x, y) > > fit<-lm(x ~ y, data = data) > summary(fit) Call: lm(formula = x ~ y, data = data) Residuals: Min 1Q Median 3Q Max -3.9285 -0.6780 -0.0026 0.6747 3.9789 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.012254 0.007103 1.725 0.0845 . y -0.004023 0.007120 -0.565 0.5721 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 1.005 on 19998 degrees of freedom Multiple R-squared: 1.596e-05, Adjusted R-squared: -3.404e-05 F-statistic: 0.3192 on 1 and 19998 DF, p-value: 0.5721 > > RSS0 <- sum((x - mean(x))^2) #20181.97, this is same as TSS really > RSS <- sum(fit$residuals^2) #20181.64 > p <- 1 #predictors whos coefficient we are testing. > n <- length(y) #number of observations > > F <- ( (RSS0-RSS)/p ) / (RSS/(n-p-1)) > F [1] 0.3192025