punktschaetzer-reicht-nicht

regression
en
bayes
frequentist
qm1
stats-nutshell
qm2
paper
Published

September 4, 2022

Exercise

Zwei Modelle, m1 und m2, produzieren jeweils die gleiche Vorhersage (den gleichen Punktschätzer).

m1:


Call:
lm(formula = y ~ x)

Residuals:
      Min        1Q    Median        3Q       Max 
-0.274653 -0.055501  0.001576  0.060580  0.304420 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) 0.002774   0.010518   0.264    0.793    
x           1.010235   0.010178  99.259   <2e-16 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.105 on 98 degrees of freedom
Multiple R-squared:  0.9902,    Adjusted R-squared:  0.9901 
F-statistic:  9852 on 1 and 98 DF,  p-value: < 2.2e-16

m2:


Call:
lm(formula = y ~ x)

Residuals:
     Min       1Q   Median       3Q      Max 
-2.39871 -0.57415 -0.00663  0.56912  3.00821 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)   0.1046     0.1010   1.036    0.303    
x             1.1665     0.1150  10.147   <2e-16 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.9954 on 98 degrees of freedom
Multiple R-squared:  0.5123,    Adjusted R-squared:  0.5074 
F-statistic:   103 on 1 and 98 DF,  p-value: < 2.2e-16

Die Modelle unterscheiden sich aber in ihrer Ungewissheit bezüglich \(\beta\), wie in der Spalte Std. Error ausgedrückt.

Welches der beiden Modelle ist zu bevorzugen? Begründen Sie.











Solution

Modell m1 hat eine kleinere Ungewissheit im Hinblick auf die Modellkoeffiziente \(\beta_0, \beta_1\) und ist daher gegenüber m2 zu bevorzugen.

Aufgabenname: punktschaetzer-reicht-nicht


Categories:

  • regression
  • en
  • bayes
  • frequentist
  • qm1
  • stats-nutshell
  • qm2
  • stats-nutshell