Interpretace výsledku funkce lm()

Chceme zjistit:

proportion.x = k * proportion.y + q

tzn.:

leva = k * prava + q


Výsledek v rámci R:

Coefficients:

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

(Intercept)  49.48635   18.63373   2.656  0.00988 **

Proportion.y  0.87955    0.04903  17.940  < 2e-16 ***

---

Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1


Tzn. leva = 0,87955 * prava + 49,48635


Std. error (Standard error)

Standardní chyba je odhadovaná variabilita koeficientu v důsledku VARIABILITY VZORKU. Tzn. v
odlišných vzorcích (výběrech) může mít za následek odlišné koeficienty a právě variabilita
koeficientů v rámci vzorků se odhaduje pomocí standardní chyby příslušného koeficientu.

[The standard error is the estimated variability in a coefficient due to SAMPLING VARIABILITY. I.e.
a different sample may result in different coefficients and the variability of coefficients across
sample sis estimated by the standard error of the respective coefficient.]


T value (t score)

t value = "estimate"/"std. error" (in this case!)

Jak velký je odhad (estimate) ve vztahu k standardní chybě (std. error). Tzn. čím větší odhad
relativně k std. error tím větší t score.

T score  má svou vlastní p hodnotu (Pr(>|t|)). Tzn. každá t value má vlastní p value (n – 2 degrees
of freedom; Pr(>|t|)) a říká nám, jak statisticky významný estimate je. V tomto případě nás příliš
nezajímá velikost Interceptu, ale Proportion.y  (prava).


Hvězdičky určují „significant codes“. Něco jako pomůcka pro určení významnosti. Kde *** je nejvíce
signifikantní (významný) – využití zejména v případě více proměnných.


Residual standard error

Residual standard error = standard error of the model = standard deviation of the residuals =
regression standard error = root mean square error = RMSE = typical error, etc.

Obecně kvantifikuje, jak dobře nebo špatně model „předpovídá“ (odhaduje) proportion.x  (leva)
průměrně v rámci našich dat. Tedy se přibližně jedná o „průměrnou chybu“ modelu.