c语言statistic函数,R语言-summary()函数的用法解读

本文详细解读了R语言中summary()函数在统计模型中的应用,包括计算描述性统计、残差分析、系数估计及其显著性(P值)、R²和Adjusted R²评估模型拟合度,以及F检验验证方程整体显著性。通过实例展示了如何理解并利用这些统计指标来评价模型的有效性和变量的重要性。
摘要由CSDN通过智能技术生成

summary():获取描述性统计量,可以提供最小值、最大值、四分位数和数值型变量的均值,以及因子向量和逻辑型向量的频数统计等。

结果解读如下:

476503ea93a206b427339210b06d13bc.png

1. 调用:Call

lm(formula = DstValue ~ Month + RecentVal1 + RecentVal4 + RecentVal6 + RecentVal8 + RecentVal12, data = trainData)

当创建模型时,以上代码表明lm是如何被调用的。

2. 残差统计量:Residuals

Min 1Q Median 3Q Max

-4806.5 -1549.1 -171.8 1368.7 6763.3

残差第一四分位数(1Q)和第三分位数(Q3)有大约相同的幅度,意味着有较对称的钟形分布。

3. 系数:Coefficients

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

(Intercept) 1.345e+06 5.659e+05 2.377 0.01879 *

Month 8.941e+02 2.072e+02 4.316 3.00e-05 ***

分别表示: 估值 标准误差 T值 P值

Intercept:表示截距

Month:影响因子/特征

Estimate的列:包含由普通最小二乘法计算出来的估计回归系数。

Std. Error的列:估计的回归系数的标准误差。

P值估计系数不显著的可能性,有较大P值的变量是可以从模型中移除的候选变量。

t 统计量和P值:从理论上说,如果一个变量的系数是0,那么该变量是无意义的,它对模型毫无贡献。

然而,这里显示的系数只是估计,它们不会正好为0。

因此,我们不禁会问:从统计的角度而言,真正的系数为0的可能性有多大?这是t统计量和P值的目的,在汇总中被标记为t value和Pr(>|t|)。

其 中,我们可以直接通过P值与我们预设的0.05进行比较,来判定对应的解释变量的显著性,我们检验的原假设是:该系数显著为0;若P<0.05,则拒绝原假设,即对应的变量显著不为0。

可以看到Month、RecentVal4、RecentVal8都可以认为是在P为0.05的水平下显著不为0,通过显著性检验;Intercept的P值为0.26714,不显著。

4. Multiple R-squared和Adjusted R-squared

这两个值,即R^{2},常称之为“拟合优度”和“修正的拟合优度”,指回归方程对样本的拟合程度几何,这里我们可以看到,修正的拟合优 度=0.8416,表示拟合程度良好,这个值当然是越高越好。

当然,提升拟合优度的方法很多,当达到某个程度,我们也就认为差不多了。

具体还有很复杂的判定内容,有兴趣的可以看看:http://baike.baidu.com/view/657906.htm

5. F-statistic

F-statistic,是我们常说的F统计量,也成为F检验,常常用于判断方程整体的显著性检验,其值越大越显著;其P值为p-value: < 2.2e-16,显然是<0.05的,可以认为方程在P=0.05的水平上还是通过显著性检验的。

简单总结:

T检验:检验解释变量的显著性;

R-squared:查看方程拟合程度;

F检验:是检验方程整体显著性。

如果是一元线性回归方程,T检验的值和F检验的检验效果是一样的,对应的值也是相同的。

补充:在R语言中显示美丽的数据摘要summary统计信息

总结数据集

## Skim summary statistics

## n obs: 150

## n variables: 5

##

## Variable type: factor

## variable missing complete n n_unique top_counts

## 1 Species 0 150 150 3 set: 50, ver: 50, vir: 50, NA: 0

## ordered

## 1 FALSE

##

## Variable type: numeric

## variable missing complete n mean sd min p25 median p75 max

## 1 Petal.Length 0 150 150 3.76 1.77 1 1.6 4.35 5.1 6.9

## 2 Petal.Width 0 150 150 1.2 0.76 0.1 0.3 1.3 1.8 2.5

## 3 Sepal.Length 0 150 150 5.84 0.83 4.3 5.1 5.8 6.4 7.9

## 4 Sepal.Width 0 150 150 3.06 0.44 2 2.8 3 3.3 4.4

## hist

## 1 ▇▁▁▂▅▅▃▁

## 2 ▇▁▁▅▃▃▂▂

## 3 ▂▇▅▇▆▅▂▂

## 4 ▁▂▅▇▃▂▁▁

选择要汇总的特定列

## Skim summary statistics

## n obs: 150

## n variables: 5

##

## Variable type: numeric

## variable missing complete n mean sd min p25 median p75 max

## 1 Petal.Length 0 150 150 3.76 1.77 1 1.6 4.35 5.1 6.9

## 2 Sepal.Length 0 150 150 5.84 0.83 4.3 5.1 5.8 6.4 7.9

## hist

## 1 ▇▁▁▂▅▅▃▁

## 2 ▂▇▅▇▆▅▂▂

处理分组数据

可以处理已使用分组的数据dplyr::group_by。

## Skim summary statistics

## n obs: 150

## n variables: 5

## group variables: Species

##

## Variable type: numeric

## Species variable missing complete n mean sd min p25 median

## 1 setosa Petal.Length 0 50 50 1.46 0.17 1 1.4 1.5

## 2 setosa Petal.Width 0 50 50 0.25 0.11 0.1 0.2 0.2

## 3 setosa Sepal.Length 0 50 50 5.01 0.35 4.3 4.8 5

## 4 setosa Sepal.Width 0 50 50 3.43 0.38 2.3 3.2 3.4

## 5 versicolor Petal.Length 0 50 50 4.26 0.47 3 4 4.35

## 6 versicolor Petal.Width 0 50 50 1.33 0.2 1 1.2 1.3

## 7 versicolor Sepal.Length 0 50 50 5.94 0.52 4.9 5.6 5.9

## 8 versicolor Sepal.Width 0 50 50 2.77 0.31 2 2.52 2.8

## 9 virginica Petal.Length 0 50 50 5.55 0.55 4.5 5.1 5.55

## 10 virginica Petal.Width 0 50 50 2.03 0.27 1.4 1.8 2

## 11 virginica Sepal.Length 0 50 50 6.59 0.64 4.9 6.23 6.5

## 12 virginica Sepal.Width 0 50 50 2.97 0.32 2.2 2.8 3

## p75 max hist

## 1 1.58 1.9 ▁▁▅▇▇▅▂▁

## 2 0.3 0.6 ▂▇▁▂▂▁▁▁

## 3 5.2 5.8 ▂▃▅▇▇▃▁▂

## 4 3.68 4.4 ▁▁▃▅▇▃▂▁

## 5 4.6 5.1 ▁▃▂▆▆▇▇▃

## 6 1.5 1.8 ▆▃▇▅▆▂▁▁

## 7 6.3 7 ▃▂▇▇▇▃▅▂

## 8 3 3.4 ▁▂▃▅▃▇▃▁

## 9 5.88 6.9 ▂▇▃▇▅▂▁▂

## 10 2.3 2.5 ▂▁▇▃▃▆▅▃

## 11 6.9 7.9 ▁▁▃▇▅▃▂▃

## 12 3.18 3.8 ▁▃▇▇▅▃▁▂

指定统计信息和类

可以用户使用与该skim_with()功能组合的列表来指定自己的统计信息。

## Skim summary statistics

## n obs: 150

## n variables: 5

##

## Variable type: numeric

## variable iqr mad

## 1 Sepal.Length 1.3 1.04

以上为个人经验,希望能给大家一个参考,也希望大家多多支持脚本之家。如有错误或未考虑完全的地方,望不吝赐教。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值