當模型中存在交互項和非交互項時，R的drop1是否解釋了非交互項？

我的問題在標題中。我不確定是否因爲drop1的輸出不包括它們而僅考慮了交互項，因此會計入非交互項。的代碼，並輸出如下：當模型中存在交互項和非交互項時，R的drop1是否解釋了非交互項？

> temp = lm(auto.mpg.data$mpg ~ auto.mpg.data$weight + auto.mpg.data$model_year + auto.mpg.data$origin + auto.mpg.data$weight:auto.mpg.data$model_year + auto.mpg.data$weight:auto.mpg.data$origin + auto.mpg.data$model_year:auto.mpg.data$origin) 
> drop1(temp, test="F") 
Single term deletions 

Model: 
auto.mpg.data$mpg ~ auto.mpg.data$weight + auto.mpg.data$model_year + 
     auto.mpg.data$origin + auto.mpg.data$weight:auto.mpg.data$model_year + 
    auto.mpg.data$weight:auto.mpg.data$origin + auto.mpg.data$model_year:auto.mpg.data$origin 
               Df Sum of Sq RSS AIC F value Pr(>F)  
<none>              3769.8 908.83      
auto.mpg.data$weight:auto.mpg.data$model_year 1 300.625 4070.4 937.37 31.1807 4.407e-08 *** 
auto.mpg.data$weight:auto.mpg.data$origin  1 94.557 3864.3 916.69 9.8074 0.001869 ** 
auto.mpg.data$model_year:auto.mpg.data$origin 1  0.027 3769.8 906.83 0.0028 0.958085  
--- 
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 `enter code here`

來源

2013-03-15 davidhwang

一個忠告，不要在爲線性模型創建公式時使用'data $ column'。使用'lm（mpg〜（weight + model_year + origin）^ 2，data = auto.mpg.data）'來獲得相同的模型。 – mnel 2013-03-15 01:16:21

這是值得閱讀http://www.stats.ox.ac.uk/pub/MASS3/Exegeses.pdf – mnel 2013-03-15 01:20:31

這是不是很清楚你的意思是「帳戶」。 'drop1'只是放棄每一項，並將沒有它的模型與完整模型進行比較。 – Ista 2013-03-15 01:29:59

是的，drop1功能佔較低級別的術語，如果相互作用的存在。如果預測變量是交互的一部分，則不會被刪除。

來源

2013-03-15 14:52:48

當模型中存在交互項和非交互項時，R的drop1是否解釋了非交互項？

回答

相關問題