Comment obtenir la valeur de l'erreur quadratique moyenne dans une régression linéaire dans R

Soit un modèle de régression linéaire obtenu par la fonction R lm voudrait savoir s'il est possible de l'obtenir par la commande Mean Squared Error.

J'ai eu la sortie SUIVANTE d'un exemple

> lm <- lm(MuscleMAss~Age,data)
> sm<-summary(lm)
> sm

Call:
lm(formula = MuscleMAss ~ Age, data = data)

Residuals:
     Min       1Q   Median       3Q      Max 
-16.1368  -6.1968  -0.5969   6.7607  23.4731 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) 156.3466     5.5123   28.36   <2e-16 ***
Age          -1.1900     0.0902  -13.19   <2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 8.173 on 58 degrees of freedom
Multiple R-squared:  0.7501,    Adjusted R-squared:  0.7458 
F-statistic: 174.1 on 1 and 58 DF,  p-value: < 2.2e-16

Plusieurs R au carré est l'erreur de somme des carrés? si la réponse est non, cela pourrait expliquer la signification de Multiple R-carré et Multiple R-carré

r regression error

— Cyberguille
source

Le multiple R au carré que R rapporte est le coefficient de détermination , qui est donné par la formule

R^{2} = 1 - \frac{S S_{res}}{S S_{tot}} .

$R^2 = 1 - \frac{SS_{\text{res}}}{SS_{\text{tot}}}.$

La somme des erreurs quadratiques est donnée (grâce à une réponse précédente ) par sum(sm$residuals^2).

L'erreur quadratique moyenne est donnée par mean(sm$residuals^2). Vous pouvez écrire une fonction pour calculer cela, par exemple:

mse <- function(sm) 
    mean(sm$residuals^2)

— fbt
source

sm$sigma^2 * sm$fstatistic[3]/(1+sum(sm$fstatistic[2:3]))

8.173

$8.173$

58

$58$

1 + 1

$1+1$

{8.173}^{2} \times 58 / (1 + 1 + 58) = 64.57

$8.173^2\times 58/(1+1+58) = 64.57$ .

— whuber

Antépénultième est un grand mot.

— 2014

Comme d'habitude, une manière beaucoup plus soignée est d'écriremse <- function(sm) mean(sm$residuals^2)

— Marius Hofert

> N'est-ce pas que l'erreur quadratique moyenne est donnée par les résidus ^ 2 / erreur df de la table ANOVA au lieu de la moyenne (résidus ^ 2). Ce dernier est le carré d'erreur de prédiction moyenne. Je ne sais pas si je manque de compréhension. Désolé, je n'ai pas assez de points de réputation pour poster un commentaire.

— SrikanthRaja

Mais je suis d'accord avec ce que user45409 a dit. D'après ce que j'ai appris, MSE = résidus ^ 2 / erreur df.

— vtshen