Jestem nowy w języku R. Chciałbym wiedzieć, jak symulować z modelu wielokrotnej regresji liniowej, który spełnia wszystkie cztery założenia regresji.
ok dziękuję.
Powiedzmy, że chcę symulować dane na podstawie tego zestawu danych:
y<-c(18.73,14.52,17.43,14.54,13.44,24.39,13.34,22.71,12.68,19.32,30.16,27.09,25.40,26.05,33.49,35.62,26.07,36.78,34.95,43.67)
x1<-c(610,950,720,840,980,530,680,540,890,730,670,770,880,1000,760,590,910,650,810,500)
x2<-c(1,1,3,2,1,1,3,3,2,2,1,3,3,2,2,2,3,3,1,2)
fit<-lm(y~x1+x2)
summary(fit)
wtedy otrzymuję wynik:
Call:
lm(formula = y ~ x1 + x2)
Residuals:
Min 1Q Median 3Q Max
-13.2805 -7.5169 -0.9231 7.2556 12.8209
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 42.85352 11.33229 3.782 0.00149 **
x1 -0.02534 0.01293 -1.960 0.06662 .
x2 0.33188 2.41657 0.137 0.89238
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 8.679 on 17 degrees of freedom
Multiple R-squared: 0.1869, Adjusted R-squared: 0.09127
F-statistic: 1.954 on 2 and 17 DF, p-value: 0.1722
Moje pytanie brzmi: jak symulować nowe dane, które naśladują pierwotne dane powyżej?
r
multiple-regression
simulation
Ani Hisham Haron
źródło
źródło
rnorm()
zamiast11:30
), ale bez względu na to, jak bardzo zwiększę błąd (sigma), standardowe błędy oszacowania są mniej więcej podobne.Oto kolejny kod do generowania wielokrotnej regresji liniowej z błędami zgodnymi z rozkładem normalnym:
źródło