29.3: La prueba t como modelo lineal (Sección 28.3)
- Page ID
- 150686
También podemos usar lm ()
para implementar estas pruebas t.
La prueba t de una muestra es básicamente una prueba de si la intercepción es diferente de cero, por lo que usamos un modelo con solo una intercepción y aplicamos esto a los datos después de restar la media de hipótesis nula (para que la expectativa bajo la hipótesis nula sea una intercepción de cero):
NHANES_BP_sample <- NHANES_BP_sample %>%
mutate(BPSysAveDiff = BPSysAve-120)
lm_result <- lm(BPSysAveDiff ~ 1, data=NHANES_BP_sample)
summary(lm_result)
##
## Call:
## lm(formula = BPSysAveDiff ~ 1, data = NHANES_BP_sample)
##
## Residuals:
## Min 1Q Median 3Q Max
## -36.11 -13.11 -1.11 9.39 67.89
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.11 1.41 2.2 0.029 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 18 on 154 degrees of freedom
Notarás que este valor p es dos veces más grande que el obtenido de la prueba t de una muestra anterior; esto se debe a que fue una prueba de una cola, mientras que lm ()
está realizando una prueba de dos colas.
También podemos ejecutar la prueba t de dos muestras usando lm ()
:
lm_ttest_result <- lm(BPSysAve ~ SmokeNow, data=sample_df)
summary(lm_ttest_result)
##
## Call:
## lm(formula = BPSysAve ~ SmokeNow, data = sample_df)
##
## Residuals:
## Min 1Q Median 3Q Max
## -45.16 -11.16 -2.16 8.84 101.18
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 125.160 0.897 139.54 < 2e-16 ***
## SmokeNowYes -5.341 1.269 -4.21 2.8e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 18 on 784 degrees of freedom
## Multiple R-squared: 0.0221, Adjusted R-squared: 0.0209
## F-statistic: 17.7 on 1 and 784 DF, p-value: 2.84e-05
Esto da el mismo valor p para la variable SmokeNowyes que para la prueba t de dos muestras anterior.