比较回归系数时如何解释linearHypothesis函数的结果？答案

【问题标题】：How to interpret the results of linearHypothesis function when comparing regression coefficients?比较回归系数时如何解释linearHypothesis函数的结果？
【发布时间】：2019-02-09 22:37:34
【问题描述】：

我使用linearHypothesis 函数来测试两个回归系数是否显着不同。您知道如何解释这些结果吗？

这是我的输出：

linearHypothesis(fit4.beta, "bfi2.e = bfi2.a")
Linear hypothesis test

Hypothesis:
bfi2.e - bfi2.a = 0

**Model 1:** restricted model<br />
**Model 2:** `mod.ipip.hexaco ~ bfi2.e + bfi2.n + bfi2.a + bfi2.o + bfi2.c`

    Res.Df    RSS Df Sum of Sq      F    Pr(>F)    
    1    722 302.27                                  
    2    721 264.06  1    38.214 104.34 < 2.2e-16 ***
    ---
    Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

【问题讨论】：

Pr(>F) 是检验的 p 值，这是感兴趣的输出。你想要每个输出的解释？

标签： r regression

【解决方案1】：

除了 t 统计量，它测试每个变量的预测能力在所有其他人的存在下，另一个可以使用的测试是 F 检验。（这是您在线性模型底部得到的 F 检验）

这测试了所有 β 都等于 0 的零假设允许他们采用任何值的替代方案。如果我们拒绝这个零假设（我们这样做是因为 p 值很小），那么这和那里说的一样有足够的证据得出结论，至少有一个协变量具有预测性我们的线性模型中的力量，即使用回归预测“更好”比只是猜测平均值。

因此，基本上，您是在测试所有系数是否不同于零或其他任意线性假设，而不是测试单个系数的 t 检验。

【讨论】：