r - 比较回归系数时如何解释linearHypothesis函数的结果？

Question

我使用了 linearHypothesis 函数来检验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

Answer 1

除了 t 统计，它测试每个变量的预测能力所有其他人的存在，可以使用的另一个测试是 F 测试。 (这是您将在线性模型底部获得的 F 检验)

这检验了所有 β 都等于零的零假设允许他们取任何值的替代方案。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是否有足够的证据得出至少一个协变量具有预测性的结论我们的线性模型的力量，即使用回归比预测“更好”只是猜测平均值。

因此，基本上，您是在检验所有系数是否不同于零或某个其他任意线性假设，而不是在检验单个系数的 t 检验。