Deze vraag heeft hier al antwoorden :
Antwoord
Model dat u schat: $ x_i = \ alpha + \ beta_yy_i $
$ H_0: \ beta_y = 0 $
$ F = \ frac {(RSS_0-RSS) / p } {RSS / (np-1)} $
Het is een goed idee om seed in te stellen bij het gebruik van willekeurige getallen, zodat anderen het kunnen reproduceren.
Probeer in ieder geval te zien of dit logisch is aan jou:
> 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