답변:
선형 모델은 여기서 는 반응의 벡터를 나타내고, 는 고정 효과 매개 변수의 벡터이며, 는 열이 설명 변수의 값인 해당 설계 행렬이며 은 임의 오류의 벡터입니다. y β X ϵ
의 추정치는 ( wikipedia 기사 참조 ) 따라서 [알림 : , 일부 랜덤 벡터 및 일부 비 랜덤 행렬 ]β = ( X ' X ) - 1 X ' , Y . 바르 ( β ) = ( X ' X ) - 1 X '
그래서 여기서 는 ANOVA 테이블의 MSE (Mean Square Error)에 의해 얻을 수 있습니다. σ (2)
R에서 간단한 선형 회귀가있는 예
#------generate one data set with epsilon ~ N(0, 0.25)------
seed <- 1152 #seed
n <- 100 #nb of observations
a <- 5 #intercept
b <- 2.7 #slope
set.seed(seed)
epsilon <- rnorm(n, mean=0, sd=sqrt(0.25))
x <- sample(x=c(0, 1), size=n, replace=TRUE)
y <- a + b * x + epsilon
#-----------------------------------------------------------
#------using lm------
mod <- lm(y ~ x)
#--------------------
#------using the explicit formulas------
X <- cbind(1, x)
betaHat <- solve(t(X) %*% X) %*% t(X) %*% y
var_betaHat <- anova(mod)[[3]][2] * solve(t(X) %*% X)
#---------------------------------------
#------comparison------
#estimate
> mod$coef
(Intercept) x
5.020261 2.755577
> c(betaHat[1], betaHat[2])
[1] 5.020261 2.755577
#standard error
> summary(mod)$coefficients[, 2]
(Intercept) x
0.06596021 0.09725302
> sqrt(diag(var_betaHat))
x
0.06596021 0.09725302
#----------------------
단일 설명 변수가있는 경우 모형은 및 되도록 수식이 더 투명 해집니다. 예를 들어 예상 경사의 표준 오차는 X = ( 1 x 1 1 x 2 ⋮ ⋮ 1 x n ) ,
> num <- n * anova(mod)[[3]][2]
> denom <- n * sum(x^2) - sum(x)^2
> sqrt(num / denom)
[1] 0.09725302
lm.fit
/이 summary.lm
... 안정성과 효율성을 위해 조금 다르다
이에 대한 공식은 통계에 관한 중간 텍스트에서 찾을 수 있습니다. 특히 다음 연습이 수행 되는 Sheather (2009, 5 장) 에서 찾을 수 있습니다 (138 페이지).
다음 R 코드는 계수 추정값과 표준 오류를 수동으로 계산합니다.
dfData <- as.data.frame(
read.csv("http://www.stat.tamu.edu/~sheather/book/docs/datasets/MichelinNY.csv",
header=T))
# using direct calculations
vY <- as.matrix(dfData[, -2])[, 5] # dependent variable
mX <- cbind(constant = 1, as.matrix(dfData[, -2])[, -5]) # design matrix
vBeta <- solve(t(mX)%*%mX, t(mX)%*%vY) # coefficient estimates
dSigmaSq <- sum((vY - mX%*%vBeta)^2)/(nrow(mX)-ncol(mX)) # estimate of sigma-squared
mVarCovar <- dSigmaSq*chol2inv(chol(t(mX)%*%mX)) # variance covariance matrix
vStdErr <- sqrt(diag(mVarCovar)) # coeff. est. standard errors
print(cbind(vBeta, vStdErr)) # output
출력을 생성
vStdErr
constant -57.6003854 9.2336793
InMichelin 1.9931416 2.6357441
Food 0.2006282 0.6682711
Decor 2.2048571 0.3929987
Service 3.0597698 0.5705031
의 출력과 비교하십시오 lm()
.
# using lm()
names(dfData)
summary(lm(Price ~ InMichelin + Food + Decor + Service, data = dfData))
출력을 생성합니다.
Call:
lm(formula = Price ~ InMichelin + Food + Decor + Service, data = dfData)
Residuals:
Min 1Q Median 3Q Max
-20.898 -5.835 -0.755 3.457 105.785
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -57.6004 9.2337 -6.238 3.84e-09 ***
InMichelin 1.9931 2.6357 0.756 0.451
Food 0.2006 0.6683 0.300 0.764
Decor 2.2049 0.3930 5.610 8.76e-08 ***
Service 3.0598 0.5705 5.363 2.84e-07 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 13.55 on 159 degrees of freedom
Multiple R-squared: 0.6344, Adjusted R-squared: 0.6252
F-statistic: 68.98 on 4 and 159 DF, p-value: < 2.2e-16
solve()
기능 과 함께 좋은 트릭 . 이것은 행렬 대수가 없으면 상당히 길어질 것입니다. 기본 연산자만으로 특정 라인을 수행하는 간결한 방법이 있습니까?
Ocram의 답변 중 일부가 잘못되었습니다. 사실은:
첫 번째 답변에 대한 의견은 계수 분산에 대한 추가 설명이 필요하다는 것을 보여줍니다.
감사합니다. 는 베타 버전의 모자를 무시했습니다. 위의 공제는 입니다. 올바른 결과는 다음과 같습니다.
1.(이 식을 얻기 위해의 1 차 도함수 설정 에 maxmizing를 들어 제로인 )
2.
3.
잘하면 도움이됩니다.