การตีความเอาต์พุต drop1 ใน R

ใน R drop1คำสั่งจะให้ผลลัพธ์ที่เรียบร้อย
คำสั่งทั้งสองนี้ควรให้ผลลัพธ์บางอย่างแก่คุณ:
example(step)#-> swiss
drop1(lm1, test="F")

ฉันมีลักษณะเช่นนี้:

> drop1(lm1, test="F")
Single term deletions

Model:
Fertility ~ Agriculture + Examination + Education + Catholic + 
    Infant.Mortality
                 Df Sum of Sq    RSS    AIC F value     Pr(F)    
<none>                        2105.0 190.69                      
Agriculture       1    307.72 2412.8 195.10  5.9934  0.018727 *  
Examination       1     53.03 2158.1 189.86  1.0328  0.315462    
Education         1   1162.56 3267.6 209.36 22.6432 2.431e-05 ***
Catholic          1    447.71 2552.8 197.75  8.7200  0.005190 ** 
Infant.Mortality  1    408.75 2513.8 197.03  7.9612  0.007336 ** 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

ทั้งหมดนี้หมายความว่าอย่างไร ฉันสมมติว่า "ดวงดาว" ช่วยในการตัดสินใจว่าควรป้อนตัวแปรอินพุตใดไว้ เมื่อดูที่ผลลัพธ์ข้างต้นฉันต้องการทิ้งตัวแปร "ตรวจสอบ" และมุ่งเน้นไปที่ตัวแปร "การศึกษา" การตีความนี้ถูกต้องหรือไม่

นอกจากนี้ค่า AIC ที่ต่ำกว่าดีกว่าใช่ไหม

เอ็ด โปรดทราบคำตอบ Community Wiki ด้านล่างและเพิ่มลงไปหากคุณเห็นว่าเหมาะสมเพื่อชี้แจงผลลัพธ์นี้

drop1แสดงการเปรียบเทียบรุ่นตามเกณฑ์ AIC และเมื่อใช้ตัวเลือกที่test="F"คุณเพิ่ม "type II ANOVA" ตามที่อธิบายไว้ในไฟล์วิธีใช้ ตราบใดที่คุณมีตัวแปรต่อเนื่องเท่านั้นตารางนี้จะเทียบเท่ากับ summary(lm1)ทั้งหมดเนื่องจากค่า F เป็นเพียงค่า T สองค่าเหล่านั้น ค่า P เหมือนกันทุกประการ

ดังนั้นจะทำอย่างไรกับมัน? Interprete ในลักษณะนั้น: มันแสดงออกในแบบที่โมเดลที่ไม่มีคำว่า "สำคัญ" แตกต่างจากโมเดลที่มีคำนั้น นึกถึง "" อย่างมีนัยสำคัญเนื่องจากความสำคัญที่นี่ไม่สามารถตีความได้เหมือนที่คนส่วนใหญ่คิด (ปัญหาการทดสอบหลายอย่างและทั้งหมด ... )

และเกี่ยวกับ AIC: ยิ่งต่ำยิ่งดีก็ยิ่งชอบ AIC เป็นค่าที่ใช้สำหรับโมเดลไม่ใช่สำหรับตัวแปร โมเดลที่ดีที่สุดจากผลลัพธ์นั้นจะเป็นรุ่นที่ไม่มีการตรวจสอบตัวแปร

ใจคุณคำนวณของทั้งสอง AIC และสถิติ F มีความแตกต่างจากฟังก์ชั่น R AIC(lm1)รับผิดชอบ anova(lm1). สำหรับการที่จะได้รับข้อมูลในหน้าความช่วยเหลือของAIC() extractAIC()สำหรับanova()ฟังก์ชั่นนั้นค่อนข้างชัดเจนว่า type I และ type II SS นั้นไม่เหมือนกัน

ฉันพยายามไม่หยาบคาย แต่ถ้าคุณไม่เข้าใจสิ่งที่อธิบายไว้ในไฟล์ช่วยเหลือที่นั่นคุณไม่ควรใช้ฟังก์ชั่นนี้ตั้งแต่แรก การถดถอยแบบขั้นตอนเป็นเรื่องยากอย่างไม่น่าเชื่อทำให้ค่า p ของคุณในลักษณะที่ลึกซึ้งที่สุด ดังนั้นอีกครั้งไม่ได้ยึดตัวเองใน P-ค่า แบบจำลองของคุณควรสะท้อนสมมติฐานของคุณและไม่ใช่วิธีอื่น

สำหรับการอ้างอิงนี่คือค่าที่รวมอยู่ในตาราง:
DfหมายถึงDegrees of freedom "จำนวนองศาอิสระคือจำนวนของค่าในการคำนวณขั้นสุดท้ายของสถิติที่มีอิสระในการเปลี่ยนแปลง"

Sum of Sqคอลัมน์หมายถึงผลรวมของสี่เหลี่ยม (หรืออย่างแม่นยำมากขึ้นรวมของส่วนเบี่ยงเบนยกกำลังสอง ) ในระยะสั้นนี้เป็นการวัดจำนวนเงินที่แต่ละค่าเบี่ยงเบนจากค่าเฉลี่ยโดยรวมของค่าเหล่านั้น
RSSคือผลรวมที่เหลือของกำลังสอง สิ่งเหล่านี้เป็นการวัดว่าค่าที่ทำนายของตัวแปร dependent (หรือ output) แตกต่างจากค่าจริงสำหรับแต่ละจุดข้อมูลในชุด (หรือมากกว่าเรียกขาน: แต่ละ "บรรทัด" ในตารางข้อมูล)

AICเป็นเกณฑ์ข้อมูล Akaikeซึ่งโดยทั่วไปถือว่าเป็น "ซับซ้อนเกินกว่าที่จะอธิบาย" แต่ในระยะสั้นการวัดความดีของความพอดีของแบบจำลองทางสถิติโดยประมาณ หากคุณต้องการรายละเอียดเพิ่มเติมคุณจะต้องหันไปหาต้นไม้ที่ตายแล้วพร้อมคำพูด (เช่นหนังสือ) หรือวิกิพีเดียและแหล่งข้อมูลที่นั่น

F valueถูกนำมาใช้ในการดำเนินการในสิ่งที่เรียกว่าF-ทดสอบและมันเป็นที่ได้รับPr(F)ความคุ้มค่าซึ่งจะอธิบายวิธีแนวโน้ม (หรือน่าจะเป็น = Pr) ที่ค่า F คือ ค่า Pr (F) ใกล้กับศูนย์ (บ่งชี้โดย***) บ่งบอกถึงตัวแปรอินพุตที่มีความสำคัญในการรวมไว้ในตัวแบบที่ดีนั่นคือแบบจำลองที่ไม่รวมมันคือ "นัยสำคัญ" ที่แตกต่างจากที่หนึ่ง ที่ทำ

ค่าทั้งหมดเหล่านี้คือในบริบทของdrop1คำสั่งคำนวณเพื่อเปรียบเทียบรูปแบบโดยรวม (รวมถึงตัวแปรอินพุตทั้งหมด) ด้วยรูปแบบที่เกิดจากการลบตัวแปรเฉพาะหนึ่งตัวต่อแต่ละบรรทัดในตารางผลลัพธ์

ตอนนี้หากสามารถปรับปรุงได้โปรดอย่าลังเลที่จะเพิ่มเข้าไปหรือชี้แจงปัญหาใด ๆ เป้าหมายของฉันคือการชี้แจงและให้การอ้างอิง "การค้นหาแบบย้อนกลับ" ที่ดีขึ้นจากเอาต์พุตของคำสั่ง R ไปยังความหมายที่แท้จริงของมัน