Wie man den Wert des mittleren quadratischen Fehlers in einer linearen Regression in R erhält

Ein lineares Regressionsmodell, das mit der R-Funktion lm erhalten wird, möchte wissen, ob es mit dem Befehl Mean Squared Error erhalten werden kann.

Ich hatte die folgende Ausgabe eines Beispiels

> 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

Multiples R-Quadrat ist der Summenquadratfehler? Wenn die Antwort nein ist, könnte dies die Bedeutung von Multiple R-squared und Multiple R-squared erklären

Das Vielfache des R-Quadrats, das R angibt, ist der Bestimmungskoeffizient , der durch die Formel gegeben ist

Die Summe der Fehlerquadrate ergibt sich (dank einer vorherigen Antwort ) aus sum(sm$residuals^2).

Der mittlere quadratische Fehler ist gegeben durch mean(sm$residuals^2). Sie könnten eine Funktion schreiben, um dies zu berechnen, zB:

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