Supongo que para el modelo de regresión lineal múltiple en JMP, el valor de la prueba de valor p de Falta de ajuste (Prob> F) significa si todo el modelo es significativo o no, ¿verdad? ¿Se da el caso de que si el valor es inferior a 0.05 entonces consideramos que el modelo es estadísticamente significativo? ¿Cuál es el uso del Análisis de varianza entonces o hay algo útil para su valor (Prob> F) para los resultados? Para un modelo, si no vemos si el valor no es estadísticamente significativo (el valor es mayor que 0,05), ¿debemos suponer que el modelo no puede explicar la relación entre las variables dependientes e independientes? Gracias por adelantado.
Hola @shuddha7435 ,
A continuación, abordaré cada una de sus preguntas una a la vez, pero creo que podría obtener aún más valor de una descripción general de la regresión múltiple en general. Hay un módulo en el Pensamiento estadístico para la resolución de problemas industriales curso en línea sobre eso, completamente gratis y en línea.Puedes registrarte y obtener acceso instantáneo en: https://www.jmp.com/statisticalthinking.
1. Falta de prueba de ajuste: La prueba de falta de ajuste en JMP es, en términos generales, una prueba de si su modelo está subespecificado. Es decir, tanto si a su modelo le faltan términos/predictores importantes como si no. Rechazar la hipótesis nula es evidencia de que necesita ajustar un modelo más complejo para dar cuenta adecuadamente de los datos (la prueba de falta de ajuste hace esto de una manera ingeniosa, pero eso está más allá del alcance de esta publicación). Puede leer más sobre la prueba de falta de ajuste en el Documentación JMP ). Esta prueba no es la típica prueba de significancia estadística para el modelo; no es una prueba para determinar si tiene evidencia de que al menos un coeficiente es distinto de cero.
2. Tabla de análisis de varianza: La tabla ANOVA muestra las estadísticas generales del modelo, incluidas las sumas de los cuadrados y los cuadrados medios tanto para el error como para el modelo en general. El valor p en esta tabla es lo que llamaría una prueba ómnibus, una prueba de si el modelo, como un todo, explica más variación en Y de lo que se esperaría por casualidad para un modelo de esta complejidad (es decir, con tantos grados de libertad utilizado para la predicción). Rechazar el nulo aquí (un valor p menor que su alfa, por ejemplo, 0.05), es evidencia de que nuestro modelo explica más variación en Y de lo que esperaríamos por casualidad, o en términos más simples, proporciona evidencia estadística de que uno o más de nuestros predictores tienen una verdadera relación con Y en la población. La tabla Estimaciones de parámetros me parece más informativa, ya que muestra los coeficientes para cada predictor y sus valores p asociados, probando si hay evidencia de que el predictor tiene un parámetro distinto de cero en la población.
3. No rechazar un valor nulo: Un valor de p mayor que nuestro valor alfa establecido (por ejemplo, p > 0,05) nos lleva a no rechazar la hipótesis nula, a no poder afirmar que un resultado es estadísticamente significativo. Esto no significa que el modelo no explique ninguna variación en la variable Y, simplemente que la cantidad de variación en Y que explica el modelo podría atribuirse razonablemente al azar; que aún no tenemos suficiente evidencia para rechazar de manera creíble el azar como explicación de las relaciones que observamos entre Y y los predictores. Vale la pena señalar una cosa más aquí, y tendrá que perdonarme por ponerme en mi caja de jabón sobre esto: aunque podemos considerar el rechazo de la hipótesis nula (por ejemplo, p < 0.05) como evidencia de un efecto, no poder considerar el no rechazar la hipótesis nula como evidencia de que existe no efecto. Hay problemas tanto estadísticos como epistémicos en juego, y todos están más allá del alcance de esta publicación, pero vale la pena recordar que nosotros Nunca acepte la hipótesis nula en un marco de prueba de hipótesis frecuentista.
Espero que esto aclare algunas cosas, y te animo a que busques en el Pensamiento estadístico para la resolución de problemas industriales curso por Internet.
@Julian
