Это базовая таблица результатов регрессии.Оценки параметров (столбец «Оценка») - это линейные коэффициенты, которые лучше всего соответствуют различным членам вашей модели.Если вы не знакомы с этой терминологией, я бы посоветовал прочесть учебник по линейной модели и регрессии.В Интернете тысячи людей.Я также рекомендую вам поиграть с некоторыми более простыми 2D-симуляциями.
Например, давайте сделаем некоторые данные с перехватом 2 и наклоном 0,5:
# Simulate data
set.seed(12345)
x = seq(0, 10, len=50)
y = 2 + 0.5 * x + rnorm(length(x), 0, 0.1)
data = data.frame(x, y)
Теперь, когда мы посмотримпри подгонке вы увидите, что столбец Оценка показывает те же значения:
# Fit model
fit = lm(y ~ x, data=data)
summary(fit)
> summary(fit)
Call:
lm(formula = y ~ x, data = data)
Residuals:
Min 1Q Median 3Q Max
-0.26017 -0.06434 0.02539 0.06238 0.20008
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 2.011759 0.030856 65.20 <2e-16 ***
x 0.501240 0.005317 94.27 <2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.1107 on 48 degrees of freedom
Multiple R-squared: 0.9946, Adjusted R-squared: 0.9945
F-statistic: 8886 on 1 and 48 DF, p-value: < 2.2e-16
Вытянув их, мы можем затем построить линию наилучшего соответствия:
# Make plot
dev.new(width=4, height=4)
plot(x, y, ylim=c(0,10))
abline(fit$coef[1], fit$coef[2])