计算R中多元回归中每个变量的解释方差
我正在使用多个预测因子进行多元回归,以测试人们是否会说他们将签署另一份合同(利克特量表)。我需要计算我创建的每个平均问题簇的额外方差,看看除了有一个强大的beta系数外,这个簇是否真的有助于解释人们选择签署额外合同。 可复制示例:计算R中多元回归中每个变量的解释方差,r,regression,linear-regression,variance,R,Regression,Linear Regression,Variance,我正在使用多个预测因子进行多元回归,以测试人们是否会说他们将签署另一份合同(利克特量表)。我需要计算我创建的每个平均问题簇的额外方差,看看除了有一个强大的beta系数外,这个簇是否真的有助于解释人们选择签署额外合同。 可复制示例: indepndent: avg_direct_supervisor = c(4.66,4,2,2.33,2.66,3.5) avg_friends = c(4,3.5,4,1,2.5,5) avg_moving = c(3.4,5,2,3.5,4,3) depend
indepndent:
avg_direct_supervisor = c(4.66,4,2,2.33,2.66,3.5)
avg_friends = c(4,3.5,4,1,2.5,5)
avg_moving = c(3.4,5,2,3.5,4,3)
dependent:
sign_contract = c(3,4,5,3,4,2)
现在我进行了多元回归分析
avg_direct_supervisor = c(4.66,4,2,2.33,2.66,3.5)
avg_friends = c(4,3.5,4,1,2.5,5)
avg_moving = c(3.4,5,2,3.5,4,3)
sign_contract = c(3,4,5,3,4,2)
trial <- data.frame(avg_direct_supervisor,avg_friends,avg_moving,sign_contract)
trial_model <- lm(data = trial,formula = sign_contract~.)
summary(trial_model)
Residuals:
1 2 3 4 5 6
0.50480 0.50450 0.99131 -0.61958 0.09018 -1.47121
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 3.8425 3.3096 1.161 0.365
avg_direct_supervisor -0.7697 0.9777 -0.787 0.514
avg_friends 0.2357 0.6660 0.354 0.757
avg_moving 0.3813 0.9426 0.405 0.725
Residual standard error: 1.423 on 2 degrees of freedom
Multiple R-squared: 0.2639, Adjusted R-squared: -0.8402
F-statistic: 0.239 on 3 and 2 DF, p-value: 0.8644
avg_direct_supervisor=c(4.66,4,2,2.33,2.66,3.5)
平均朋友数=c(4,3.5,4,1,2.5,5)
平均移动=c(3.4,5,2,3.5,4,3)
签署合同=c(3,4,5,3,4,2)
你的意思是rsquared
?rsquared是entrie多元回归的总解释方差。我正在寻找每个独立变量对模型的贡献。我相信它已经在R
中的lm
模型中可用。如果您包含一个简单的示例输入和所需的输出,可以用来测试和验证可能的解决方案,那么可以更容易地帮助您。仅仅要求一揽子建议被认为是离题的。描述你的确切问题,如果一个软件包可以帮助你,它将包含在答案中。它是anova()
。