Interpretation der Handlung in R

Question

ich vor kurzem begonnen haben, mit R arbeiten, und ich bin versucht Beziehung zwischen zwei quantitativen Variablen F und Test mein Skript zu sehen ist

library(dplyr) 
library(ggplot2) 

x = read.table("Input.txt", header = T) 
ggplot(data = x, aes(x = F, y = Test)) + 
    geom_point(colour = "red") 
cor(x$F, x$Test) 

ggplot(data = x, aes(x = sqrt(F), y = sqrt(Test))) + 
    geom_point(colour = "red")+ 
    geom_smooth(method = "lm") 

lmodel = lm(sqrt(Test) ~ sqrt(F), data = x) 

die Ergebnisse

summary(lmodel) 

Call: 
lm(formula = sqrt(Test) ~ sqrt(F), data = x) 

Residuals: 
    Min  1Q Median  3Q  Max 
-3140.9 -2575.8 -1779.5 -146.2 18137.6 

Coefficients: 
      Estimate Std. Error t value Pr(>|t|) 
(Intercept)  2818  3910 0.721 0.479 
sqrt(F)   2169  7668 0.283 0.780 

Residual standard error: 5233 on 21 degrees of freedom 
Multiple R-squared: 0.003796, Adjusted R-squared: -0.04364 
F-statistic: 0.08001 on 1 and 21 DF, p-value: 0.78 

angebracht sind

Ich verstehe einfach nicht R Handbuch über die Zusammenfassung der Ausgabe.

, wenn ich bei p-Wert von linearem Modell aussehen nur seine schlechte und Korrelation sagt gibt es keine lineare Beziehung

jemand mir das Verständnis dieser helfen kann.

kann jemand sagen, dass mein Skript korrekt ist.

Answer 1

Sie können mehr Informationen über die Auslegung der summary in dem folgenden Link finden.

https://feliperego.github.io/blog/2015/10/23/Interpreting-Model-Output-In-R

Ihr p-Wert, der immer zwischen 0 und 1 ist, wird die folgende Art und Weise interpretiert.

1. Eine kleine p-value sagt, es gibt einen starken Beweis gegen Ihre Nullhypothese.

2. Eine große p-value sagt, dass die Beweise gegen die Nullhypothese schwach ist.

Ihre p-value hier deutlich nahe 1. Aber nein, es bedeutet nicht, Ihr Modell ist schlecht.

College-Statistiken Professor Stephen Tigler sagte, dass ungewöhnlich hohe p-Werte zeigten die Daten des Modells verdächtig gut aufeinander abgestimmt ... Das ist ein hoher p-value legt nahe, dass es praktisch keine Korrelation oder Zusammenhang zwischen Ihrer Daten. Es ist wie ein Indikator für Zufälligkeit. Ein Hinweis darauf, wie viel Chance Sie haben, eine Korrelation zu beobachten, wie Sie sie bereits haben.

Auch, wie Sie vermuten, scheint es keine Beziehung zwischen Ihren beiden Variablen zu geben. Ihre R-Quadrat-Statistik zeigt an, wie gut Ihr Modell angepasst ist. Je näher an 1, desto besser ...