解读 MLR 结果

Question

我最近在此处显示了 MLR 结果：

    lm(formula = Total_Deaths_Per_Million ~ GDP_Per_Capita + GNI_Per_Capita + 
    Trade_Percentage_Of_GDP + People_Using_Basic_Sanitation_Percentage_Of_Population + 
    Total_Population + Use_Of_IMF_Credit_US + Human_Development_Index + 
    Stringency_Index, data = final_test_combined_dataset) 

    Residuals:
      3       6       8      12      16      17      18      20      21      22 
-1.4022  1.6817 -0.4956 -1.9019  2.3436  0.2513  2.3864  0.1713  1.4964 -4.5310 

    Coefficients:
                                                         Estimate Std. Error t value Pr(>|t|)
(Intercept)                                             4.995e+00  9.839e+01   0.051    0.968
GDP_Per_Capita                                         -1.696e-02  3.377e-02  -0.502    0.704
GNI_Per_Capita                                          8.479e-03  1.174e-02   0.722    0.602
Trade_Percentage_Of_GDP                                -5.625e-01  5.671e-01  -0.992    0.503
People_Using_Basic_Sanitation_Percentage_Of_Population  7.111e-01  1.742e-01   4.082    0.153
Total_Population                                        2.843e-07  2.511e-07   1.132    0.461
Use_Of_IMF_Credit_US                                   -5.576e-08  4.706e-08  -1.185    0.446
Human_Development_Index                                -1.033e+02  2.145e+02  -0.482    0.714
Stringency_Index                                        2.460e+00  8.249e-01   2.982    0.206

Residual standard error: 6.535 on 1 degrees of freedom
Multiple R-squared:  0.9953,    Adjusted R-squared:  0.958 
F-statistic: 26.65 on 8 and 1 DF,  p-value: 0.1488

问题：

为什么残差显示为 3、6、8、12、16 等？
任何人都可以分享任何好的资源来解释其余的结果吗？

任何帮助将不胜感激，因为这是我拥有的第一个 MLR 运行。

Answer 1

输出为您提供了一些有关残差分布的信息。当我只将 5 个观察值放入数据中时，我可以重现 R 打印绝对残差而不是它们的分布的情况。你采样了几行吗？
在多元线性回归模型中，自变量的系数表示相应变量变化一个单位对因变量y的期望值的影响（当所有其他自变量保持不变）。例如，如果系数 x 的估计值为 -0.35，这意味着如果 x 增加一个单位，则因变量 y 的预期值将减少 0.35。

我强烈推荐《计量经济学原理》一书（R. Carter Hill、William E. Griffiths 和 Guay C. Lim）介绍回归，但它没有 R 背景。

解读 MLR 结果

Interpreting Results of MLR

r

linear-regression