Ich gehe davon aus, dass für das multiple lineare Regressionsmodell in JMP der Wert des p-Wert-Tests von Mangel an Anpassung (Prob> F) angibt, ob das gesamte Modell signifikant ist oder nicht, richtig? Ist der Wert kleiner als 0,05, dann betrachten wir das Modell als statistisch signifikant? Was nützt dann die Varianzanalyse oder gibt es etwas Hilfreiches für ihren (Prob > F) Wert für die Ergebnisbefunde? Wenn wir für ein Modell nicht sehen, ob der Wert statistisch nicht signifikant ist (Wert ist größer als 0,05), sollten wir dann davon ausgehen, dass das Modell die Beziehung zwischen abhängigen und unabhängigen Variablen überhaupt nicht erklären kann? Danke im Voraus.
Hi @shuddha7435 ,
Im Folgenden werde ich jede Ihrer Fragen einzeln ansprechen, aber ich denke, Sie könnten noch mehr Wert aus einem Überblick über die multiple Regression im Allgemeinen ziehen. Es gibt ein Modul in der Statistisches Denken für die industrielle Problemlösung Online-Kurs zu genau dem – völlig kostenlos und online.Sie können sich anmelden und erhalten sofortigen Zugriff unter: https://www.jmp.com/statisticalthinking.
1. Mangel an Fit-Test: Der Mangel-an-Fit-Test in JMP ist im Allgemeinen ein Test, ob Ihr Modell unterspezifiziert ist. Das heißt, ob Ihrem Modell wichtige Terme/Prädiktoren fehlen oder nicht. Das Ablehnen der Nullhypothese ist ein Beweis dafür, dass Sie ein komplexeres Modell anpassen müssen, um die Daten angemessen zu berücksichtigen (der Mangel an Anpassungstest tut dies auf geniale Weise, aber das würde den Rahmen dieses Beitrags sprengen. Mehr über den Lack-of-Fit-Test erfahren Sie im JMP-Dokumentation ). Dieser Test ist nicht der typische Test der statistischen Signifikanz für das Modell – es ist kein Test dafür, ob Sie Beweise dafür haben, dass mindestens ein Koeffizient ungleich Null ist.
2. Varianzanalysetabelle: Die ANOVA-Tabelle zeigt allgemeine Modellstatistiken an, einschließlich der Summen der Quadrate und mittleren Quadrate für beide Fehler sowie für das Modell insgesamt. Der p-Wert in dieser Tabelle ist ein sogenannter Omnibus-Test, ein Test, ob das Modell als Ganzes mehr Variationen in Y erklärt, als zufällig für ein Modell dieser Komplexität (d. h. mit ebenso vielen Graden) zu erwarten wäre der Freiheit, die für die Vorhersage verwendet wird). Die Ablehnung der Null hier (ein p-Wert kleiner als Ihr Alpha, z. B. 0,05) ist ein Beweis dafür, dass unser Modell mehr Schwankungen in Y erklärt, als wir zufällig erwarten würden – oder einfacher ausgedrückt, es liefert statistische Beweise dafür oder mehr unserer Prädiktoren haben eine echte Beziehung zu Y in der Population. Ich finde die Tabelle „Parameterschätzungen“ informativer, da sie die Koeffizienten für jeden Prädiktor und die zugehörigen p-Werte anzeigt und testet, ob es Hinweise darauf gibt, dass der Prädiktor einen von null verschiedenen Parameter in der Grundgesamtheit aufweist.
3. Fehler beim Zurückweisen einer Null: Ein p-Wert größer als unser angegebener Alpha-Wert (z. B. p > 0,05) führt dazu, dass wir die Nullhypothese nicht ablehnen, also nicht sagen können, dass ein Ergebnis statistisch signifikant ist. Dies bedeutet nicht, dass das Modell keine Variation in der Y-Variablen erklärt, sondern einfach, dass der Betrag der Variation in Y, den das Modell erklärt, vernünftigerweise dem Zufall zugeschrieben werden könnte; dass wir noch nicht genügend Beweise haben, um den Zufall als Erklärung für die Beziehungen, die wir zwischen Y und den Prädiktoren beobachten, glaubhaft abzulehnen. Eine weitere Sache ist hier erwähnenswert, und Sie müssen mir verzeihen, dass ich mich diesbezüglich auf die Palme gebracht habe: Wir können zwar die Ablehnung der Nullhypothese (z. B. p < 0,05) als Beweis für einen Effekt ansehen, aber wir kann nicht Betrachten Sie das Versäumnis, die Nullhypothese zurückzuweisen, als Beweis dafür, dass es sie gibt nein Wirkung. Es spielen sowohl statistische als auch erkenntnistheoretische Probleme eine Rolle, die alle den Rahmen dieses Beitrags sprengen würden, aber es lohnt sich, daran zu denken, dass wir Akzeptiere niemals die Nullhypothese in einem frequentistischen Hypothesentestrahmen.
Ich hoffe, dies verdeutlicht einige Dinge, und ich ermutige Sie, sich das anzusehen Statistisches Denken für die industrielle Problemlösung Online Kurs.
@julianisch
