@Донни дала хороший ответ (+1). Позвольте мне добавить пару очков.
Вниз по главной диагонали матрицы дисперсии-ковариации находятся дисперсии распределений выборки ваших оценок параметров (т. 's). Таким образом, получение квадратного корня из этих значений приводит к стандартным ошибкам, о которых сообщается в статистическом выводе: β^j
SEs = sqrt(diag(vcov(Model1)))
SEs
# [1] 5.37569530 4.43883431 6.51701235 0.09634532
Они используются для формирования доверительных интервалов и проверки гипотез о ваших бета-версиях.
Недиагональные элементы были бы если бы все переменные были ортогональны, но ваши значения далеки от . Использование функции или стандартизация ковариаций по квадратным корням составляющих переменных дисперсий показывает, что все переменные сильно коррелированы ( ), поэтому вы имеете существенную мультиколлинеарность . Это делает ваши стандартные ошибки намного больше, чем они были бы в противном случае. Кроме того, это означает, что имеется большое количество информации о распределении выборок бета-версий, которая не входит в стандартные тесты гипотез ( ), поэтому вы можете использовать последовательная стратегия тестирования на основе сумм типа I квадратов . 0 | г | > 0,97 β J / S Е ( β J )00cov2cor()
|r|>.97β^j/SE(β^j)
Gung - Восстановить Монику
источник