Cette question a déjà des réponses ici :
Réponse
Modèle que vous estimez: $ x_i = \ alpha + \ beta_yy_i $
$ H_0: \ beta_y = 0 $
$ F = \ frac {(RSS_0-RSS) / p } {RSS / (np-1)} $
Cest une bonne idée de définir des valeurs de départ lorsque vous utilisez des nombres aléatoires afin que dautres puissent se reproduire.
Quoi quil en soit, essayez de voir si cela a du sens à vous:
> 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