Я установил четыре линейные модели в r. Они имеют вид:
Y8FMI ~ Y8MVPAper
Y9FMI ~ Y9MVPAper
Y12FMI ~ Y12MVPAper
Y15FMI ~ Y15MVPAper
Я скорректировал предположения линейной модели с помощью преобразования Box-Cox переменной отклика, и, следовательно, переменные отклика имеют полномочия, указанные в команде summary ниже. Я включил только выходные данные Y8 и Y9, и я ищу способ обсуждения статистической значимости склонов в каждом возрасте с помощью перехвата, оценок наклона и стандартных ошибок.
У меня есть следующий вывод для каждой модели: Y8 -
Call:
lm(formula = (y8_FMI)^0.38 ~ y8_MVPAper, data = boydata)
Residuals:
Min 1Q Median 3Q Max
-0.75175 -0.15035 -0.01327 0.14428 0.74220
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.907999 0.053568 35.618 < 2e-16 ***
y8_MVPAper -0.020456 0.004508 -4.537 8.82e-06 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.2661 on 252 degrees of freedom
(269 observations deleted due to missingness)
Multiple R-squared: 0.07553, Adjusted R-squared: 0.07186
F-statistic: 20.59 on 1 and 252 DF, p-value: 8.82e-06
Y9 -
Call:
lm(formula = (y9_FMI)^0.06 ~ y9_MVPAper, data = boydata)
Residuals:
Min 1Q Median 3Q Max
-0.095261 -0.018724 -0.001176 0.021984 0.088901
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.116715 0.006866 162.657 < 2e-16 ***
y9_MVPAper -0.002631 0.000624 -4.216 3.7e-05 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.03074 on 209 degrees of freedom
(312 observations deleted due to missingness)
Multiple R-squared: 0.07838, Adjusted R-squared: 0.07397
F-statistic: 17.77 on 1 and 209 DF, p-value: 3.702e-05
Приветствия,
Olly