计算回归系数在 R 中是否具有统计显着性答案

【问题标题】：calculate whether regression coefficient is statistically significant in R计算回归系数在 R 中是否具有统计显着性
【发布时间】：2012-07-28 15:07:57
【问题描述】：

我有使用另一个程序进行的回归分析的结果，我想用 R 测试它们是否显着。我知道 ls.diag() 计算回归结果的标准误差和 t 检验，但它需要非常特定的输入格式（即 lsfit() 的结果），所以我认为我不能使用它。 r 中是否有任何函数可以计算回归分析的标准误差和 t 检验，让我可以简单地手动将相关系数赋予函数？

【问题讨论】：

从你的描述中不清楚你从“其他程序”中得到了什么，但我很确定回到原始数据并在 R 中做所有事情的工作要少得多。
取决于。如果 OP 有系数及其标准误差，那么这很容易（尽管她提到（“计算 [ing] 标准误差”）。不过，我们确实需要知道其他程序产生了什么。如果只是系数，那么答案是“不”。
这些是回归分析的结果，该分析控制了样本中分类群之间的系统发育相关性。 R 有一个函数（caper 中的 pgls()）来执行此操作，但它不适用于我的部分数据。从 OP 我有系数和特征方差，但没有系数方差。

标签： r statistics regression standard-error

【解决方案1】：

我不太确定这是您要查找的内容，但这里有一个指南

# this is a model obtained from ?lm 
ctl <- c(4.17,5.58,5.18,6.11,4.50,4.61,5.17,4.53,5.33,5.14)
trt <- c(4.81,4.17,4.41,3.59,5.87,3.83,6.03,4.89,4.32,4.69)
group <- gl(2,10,20, labels=c("Ctl","Trt"))
weight <- c(ctl, trt)
lm.D9 <- lm(weight ~ group)
summary(lm.D9) this is our target

假设我们只有回归系数、标准误和样本量

beta <- coef(lm.D9)
errorBeta <- summary(lm.D9)$coefficients[,2]
n <- length(weight) # the sample size
k <- length(beta) # number of regression parameters

我认为这是你的情况，如果你没有系数标准误，那么你必须估计它们，这很容易。

一旦有了回归系数及其标准误，就可以估计 t-stat：

t_stats <- beta/errorBeta

经验法则表明，如果 |t_stats| >= 2，则该系数在 5% 的水平上具有统计显着性。但是，如果您想知道 p 值，请使用：

pt(abs(t_stats), n-k, lower.tail=FALSE)*2

如果 p 值 > 0.05，则相关系数在该水平上没有统计学意义。

您所需要的只是了解系数、标准误和样本量。否则你不会这样做。

【讨论】：

谢谢吉尔伯！这听起来正是我需要的。你是对的，我只有系数，没有别的。我知道系数标准误差是回归系数方差的平方根。但是，我没有回归系数的方差 - 这是一个问题吗？你说估计它们很容易，你能告诉我怎么做吗？
首先你必须估计残差的方差，它只是残差平方和除以 n-k，使用这个结果并假设你有数据集，然后只将残差的方差乘以设计矩阵 {(X'X)⁻¹}。很奇怪你没有标准误差，如果你有估计你必须有标准误差。无论如何，您可以阅读任何计量经济学教科书以找到正确的说明。
感谢 Jilber，这很有帮助！