线性回归模型的参数估计的密度图

机器算法验证 r 数据可视化 密度函数 回归系数
2022-03-24 11:25:42

我在 R 中运行线性回归模型：

data(iris)
fit1.iris = lm(Sepal.Length ~ Petal.Length+Petal.Width , data=iris) 
summary(fit1.iris)

这些是我的系数：

Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
(Intercept)   4.19058    0.09705  43.181  < 2e-16 ***
Petal.Length  0.54178    0.06928   7.820 9.41e-13 ***
Petal.Width  -0.31955    0.16045  -1.992   0.0483 *

我正在尝试绘制参数估计的密度曲线，下面是我如何进行截距。我做对了吗？

  fit_iris = lm(Sepal.Length~ Petal.Length+Petal.Width , data=iris, x=TRUE, y=TRUE)
  summary(fit_iris)
  x_iris = seq(0, 10, length.out=1000)
  plot(density(dnorm(x,4.190582,0.09705)), type='l')
2个回答

在通常情况下，参数估计最终是渐近正态的。你可以在任何计量经济学教科书中找到证明。此外，如果您的错误是正常的，那么即使在小样本中参数也是正常的。

因此，假设参数估计值是正常的，您可以使用任何绘图函数绘制它们。绘制均值和标准误差等于参数估计值及其标准误差的正态分布。

您也可以使用引导估计。

library(boot)
f <- function(data, d) coef(lm(Sepal.Length ~ Petal.Length+Petal.Width , data=data[d,])) 
boot.fit <- boot(iris, f, 1000)

现在，以估计 Petal.Length 系数的密度为例：

petal.density <- density(boot.fit$t[,2])
plot(petal.density, main = "Petal Length Density")

在此处输入图像描述

其它你可能感兴趣的问题
上一篇如何生成两个相关的泊松随机变量？ 下一篇多重回归还是单独的简单回归？