两个线性回归在统计上有差异吗？有人可以帮助我理解两个线性回归在统计上有差异吗？
下图是我的情况。 蓝线和红线通过两个不同的过程对应于两组数据。 我如何理解回归是否有统计差异？换句话说，两个过程给出的值是相等的，那么对结果没有影响吗？
提前致谢。
回复：两个线性回归在统计上有差异吗？我重申：不要忘记执行残差分析，回想一下 Anscombe 数据集。 附上一个包含3个脚本的数据表：
- 拟合协方差模型（交互作用 b12 * X * 颜色）
- 适合在同一图表上绘制的独立模型
- 适合在两个并排图表上绘制的独立模型（如下所示）
然而，斜率截距、R 方和 RMSE 本质上是相同的蓝色的不太合适。
Same summary statistics, Blue is not a good fit!Same summary statistics, Blue is not a good fit!同样的汇总统计数据，蓝色不太合适！
回复：两个线性回归在统计上有差异吗？丹和马克都回答了这个问题，但本着讨论的精神，我只是想提供一些略有不同的语言。
您有红色和蓝色两个模型，并且您询问这两个模型是否具有统计显着性。
所以首先我们必须思考你这个问题的意思。
这些模型的不同之处在于红线和蓝线具有不同的斜率。显然，斜率略有不同，但差异在统计上是否显着？为了回答这个问题，我们构建了一个包含交互项的模型，我认为 Dan 将其称为 X*Color。该术语允许 X 的效果取决于颜色。
（作为旁注，由 Dan 提出，为了在模型中包含 X 和颜色，我们必须将这些数据表示为列变量，因此需要堆叠数据）。
一旦我有了一个带有 X*Color 项的模型，我就可以检查该参数估计值是否具有统计显着性。
两条线也可以相互偏移（即除了检查斜率是否取决于颜色之外，我们还可以检查截距是否取决于颜色）。为此，模型需要一个颜色术语（以及 X）。最终我们想要构建的模型是：
Y = b0 + b1.X + b2.颜色 + b3.X*颜色
b3 的 p 值告诉我们颜色之间的斜率差异是否具有统计显着性； b2 的 p 值告诉我们截距差异是否具有统计显着性。
您可能还想在谷歌上搜索“协方差分析”
回复：两个线性回归在统计上有差异吗？Dan 和 Mark 回答了您的问题，这只是建议查看每个模型拟合的残差与 X 值的关系。
当 X 接近 500 时，蓝色和红色独立回归拟合线残差都显得“高”（在各自的线上方）。 它们看起来并不随意。 最后要注意的是，所有统计比较方法都有内置假设（随机残差、独立性等），当然最重要的是，收集的数据是否以公平的方式收集。
回复：两个线性回归在统计上有差异吗？只是为了澄清 Dan 描述的方法。 这是假设检验的一种形式。 它假设没有差异（零假设），因此显着性检验发现有利于差异（替代假设）。 如果你的任务是证明等价性，那么假设就会相反。
假设检验是朝着一个方向进行的。 对不显着差异的检验与对等价性的显着检验不同。
回复：两个线性回归在统计上有差异吗？实现此目的的方法是将单个模型拟合到两个数据集。
堆叠两个数据集，以便获得 Y、X、颜色（蓝色或红色）列，
现在使用拟合模型，指定模型 y = b0 + b1*X + b2*Color + b12*X*Color。
分析结果时，如果 b2 参数估计值显着，则两个模型的截距不同。 如果 b12 参数估计值显着，则两个模型具有不同的斜率。
解释是这样的，如果你固定颜色，那么 b2 只是对截距的调整，b12 只是对 X 斜率的调整。 因此，对这些参数估计值的测试相当于说截距和斜率分别不同。
