Что означают эти итоговые данные?

Question

Я использую данные образцы водорослей для понимания интеллектуального анализа данных немного больше, я использовал следующие команды:

> data(algae) 
> algae <- algae[-manyNAs(algae),] 
> clean.algae <-knnImputation(algae, k = 10) 
> lm.a1 <- lm(a1 ~ ., data = clean.algae[, 1:12]) 
> summary(lm.a1) 

Впоследствии я получил следующие результаты, однако я не могу найти хорошую документацию, которая объясняет, что moost из это означает, особенно Std. Ошибка, значение t и Pr. Может кто-то, пожалуйста, будьте любезны, чтобы пролить свет, пожалуйста? Самое главное, какие переменные я должен посмотреть, чтобы выяснить, дает ли модель хорошие данные прогноза?

Call: 
lm(formula = a1 ~ ., data = clean.algae[, 1:12]) 

Residuals: 
    Min  1Q Median  3Q  Max 
-37.679 -11.893 -2.567 7.410 62.190 

Coefficients: 
       Estimate Std. Error t value Pr(>|t|) 
(Intercept) 42.942055 24.010879 1.788 0.07537 . 
seasonspring 3.726978 4.137741 0.901 0.36892 
seasonsummer 0.747597 4.020711 0.186 0.85270 
seasonwinter 3.692955 3.865391 0.955 0.34065 
sizemedium 3.263728 3.802051 0.858 0.39179 
sizesmall  9.682140 4.179971 2.316 0.02166 * 
speedlow  3.922084 4.706315 0.833 0.40573 
speedmedium 0.246764 3.241874 0.076 0.93941 
mxPH   -3.589118 2.703528 -1.328 0.18598 
mnO2   1.052636 0.705018 1.493 0.13715 
Cl   -0.040172 0.033661 -1.193 0.23426 
NO3   -1.511235 0.551339 -2.741 0.00674 ** 
NH4   0.001634 0.001003 1.628 0.10516 
oPO4   -0.005435 0.039884 -0.136 0.89177 
PO4   -0.052241 0.030755 -1.699 0.09109 . 
Chla   -0.088022 0.079998 -1.100 0.27265 
--- 
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Residual standard error: 17.65 on 182 degrees of freedom 
Multiple R-squared: 0.3731, Adjusted R-squared: 0.3215 
F-statistic: 7.223 on 15 and 182 DF, p-value: 2.444e-12 

Answer 1

Я не знаю, могу ли я ответить на это в значительной степени, но я хотел бы попробовать.

С формулой (этот конкретный ~.), Вы пытаетесь предсказать a1 со всеми другими переменными в модели вида:

a1 = b0 + b1*seasonspring + b2*seasonsummer ... + e 

где b0 является перехват и е ошибка. Оценка столбца - это коэффициенты регрессии «b», t-тест и p-значения пытаются сказать, являются ли эти коэффициенты статистически значимыми. Например, мы могли бы прочитать одну из строк таблицы, как это

NO3 имеет линейную зависимость, которая помогает предсказать a1, а коэффициент b_x из NO3 имеет большое значение с вероятностью меньше 0.001 быть равным ноль (грубо говоря).

Один из статистики, используемой для измерения благости приступа является R^2

R-squared: 0.3731 

Tha пытается сказать, «сколько из дисперсии данных моя модель объясняет (снова, грубо говоря) «, в этом случае это очень плохо, от 0 до 1 всего 0,37. Есть лучшие меры, это требует немного чтения ...

Вы можете найти подробное объяснение здесь http://www.manning.com/kabacoff/