R - 回归系数的显着性检验

Question

我有两个假设（A 和 B）
H0_A b1<=0; H1_A: b1 >0
H0_B b2>=0; H1_B: b2 <0

估计系数 b1 和 b2 I 运行回归 lm(y~x1+x2)。

我的问题：如何获得每个系数 (b1, b2) 的 p 值，根据其假设设置，看看我是否可以拒绝原假设？

当我在回归中使用 summary() 函数时，列出了 p 值，但我认为它们只考虑了 beta 不等于零的情况。

非常感谢！！

Answer 1

lm() 函数默认为双侧替代假设检验。作为警示，您应该默认使用双面选择，除非您有强大的理论基础，先验地只对一侧感兴趣。可重现的示例有助于社区更好地为您服务。我在下面推荐了一些代码来帮助提取您的 p 值。根据需要调整分布函数。

# Extracting your p-values (two-sided alternative)

mod <- lm(y ~ x1 + x2, data = ...)
summary(mod)$coefficient[ ,"Pr(>|t|)"]

# Adjusting you're rejection regions

output <- summary( lm(y ~ x1 + x2, data = ...) )

t <- coef(output)[ ,3]   # extracting the t-values
df <- output$df          # extracting the degrees of freedom
pt(t, df, lower = ...)   # lower = TRUE/FALSE (b < 0 or b > 0, respectively)

R - 回归系数的显着性检验

R - significance test of regression coefficient

r

regression

lm

p-value

significance