迴歸的R（VS Eviews確定）

Question

當你在Eviews確定迴歸，你會得到統計數據的面板是這樣的：

是否有R A方式，我可以得到所有的/最這些統計數據還包括一個列表中R的迴歸？

Answer 1

請參閱summary，它將爲大多數類別的迴歸對象生成摘要。

例如，來自help(glm)：

> clotting <- data.frame(
+   u = c(5,10,15,20,30,40,60,80,100), 
+   lot1 = c(118,58,42,35,27,25,21,19,18), 
+   lot2 = c(69,35,26,21,18,16,13,12,12)) 
>  summary(glm(lot1 ~ log(u), data = clotting, family = Gamma)) 

Call: 
glm(formula = lot1 ~ log(u), family = Gamma, data = clotting) 

Deviance Residuals: 
    Min  1Q Median  3Q  Max 
-0.04008 -0.03756 -0.02637 0.02905 0.08641 

Coefficients: 
       Estimate Std. Error t value Pr(>|t|)  
(Intercept) -0.0165544 0.0009275 -17.85 4.28e-07 *** 
log(u)  0.0153431 0.0004150 36.98 2.75e-09 *** 
--- 
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

(Dispersion parameter for Gamma family taken to be 0.002446059) 

    Null deviance: 3.51283 on 8 degrees of freedom 
Residual deviance: 0.01673 on 7 degrees of freedom 
AIC: 37.99 

Number of Fisher Scoring iterations: 3 

的R超過GUI程序大贏通常是從功能的輸出是可用的。所以你可以這樣做：

> s = summary(glm(lot1 ~ log(u), data = clotting, family = Gamma)) 
> s$coefficients[1,] 
    Estimate Std. Error  t value  Pr(>|t|) 
-1.655438e-02 9.275466e-04 -1.784749e+01 4.279149e-07 
> s$cov.scaled 
       (Intercept)  log(u) 
(Intercept) 8.603427e-07 -3.606457e-07 
log(u)  -3.606457e-07 1.721915e-07 

爲了得到t和p以及所有參數或縮放的協方差矩陣。但總是閱讀總結方法的文檔，以確保你得到你認爲你得到的東西。有時候返回對象中的東西可能會在轉換後的尺度上計算出來，並在打印對象時顯示在未轉換的比例尺上。

不過請注意，你似乎什麼都表示作爲一個例子是一個ARIMA模型，而且也沒有很好summary功能arima對象R：

> m = arima(lh, order = c(1,0,1)) 
> summary(m) 
      Length Class Mode  
coef  3  -none- numeric 
sigma2  1  -none- numeric 
var.coef 9  -none- numeric 
mask  3  -none- logical 
loglik  1  -none- numeric 
aic  1  -none- numeric 
arma  7  -none- numeric 
residuals 48  ts  numeric 
call  3  -none- call  
series  1  -none- character 
code  1  -none- numeric 
n.cond  1  -none- numeric 
model  10  -none- list  

這只是一個列表對象的默認彙總與那些元素。只需打印它可以得到幾件事：

> m 

Call: 
arima(x = lh, order = c(1, 0, 1)) 

Coefficients: 
     ar1  ma1 intercept 
     0.4522 0.1982  2.4101 
s.e. 0.1769 0.1705  0.1358 

sigma^2 estimated as 0.1923: log likelihood = -28.76, aic = 65.52 

Answer 2

如果m是您的lm-生成的模型，只需執行：summary(m)即可獲取所有這些模型統計量和數字。