Generated by Bing Image Creator : Photographic autumn festival
の続きです。
今回は、回帰分析をしてみます。
被説明変数をl_totalにして、説明変数をyear, l_pop, l_gdpにしてみましょう。
まず、散布図を描いてみます。
散布図を見ると、yearによる違いは無さそうです。
lm()関数で回帰分析してみます。
結果をsummary()関数でみてみます。
yearのp値は0.597, 0.596と0.05よりも大きな値ですので、yearは有意な説明変数ではありませんね。yearの無いモデルを試してみます。
anova()関数で2つのモデルを比較してみます。
p値が0.8291なので、lm_modとlm_mod2の二つは統計的に有意な違いはありません。
モデルは単純なほうが良いので、lm_mod2のほうが良いモデルですね。
改めて、lm_mod2をみてみましょう。こんどは、summary()関数ではなくて、moderndiveパッケージのget_regression_table()関数を使ってみます。
l_populationの係数が1.65ということは、人口が1%増えると、長屋建住宅数は1.65%増える、ということです。
l_gdpの係数は-0.544なので、県内総生産額が1%増えると、長屋建住宅数は0.544%減る、ということです。
人口が増えれば、長屋建住宅数は増えるのは当たり前ですが、県内総生産額が増えると長屋建住宅数が減る、というのは興味深いですね。
回帰分析では、残差が均一に分散していないと、上記の統計的な推計は有効ではありません。残差プロットを描いてみます。
このプロットを見る限り、残差は均一分散していると言えそうです。
一応、計算して確かめてみましょう。
回帰式全体のp-valueは0.6787, l_populationの係数のp値は0.530, l_gdpの係数のp値は0.614とすべて有意ではありませんので、lm_mod2のモデルは不均一分散とは言えないですね。
今回は以上です。
次回は
です。
はじめから読むには、
です。
