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
punktschaetzer-reicht-nicht
regression
en
bayes
frequentist
qm1
stats-nutshell
qm2
paper
Exercise
Zwei Modelle, m1 und m2, produzieren jeweils die gleiche Vorhersage (den gleichen Punktschätzer).
m1:
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