Presumo che per il modello di regressione lineare multipla in JMP, il valore del test del valore p di Mancanza di adattamento (Prob > F) indichi se l'intero modello è significativo o no? È il caso che se il valore è inferiore a 0,05 allora consideriamo il modello come statisticamente significativo? A cosa serve allora l'analisi della varianza o c'è qualcosa di utile per il suo valore (Prob > F) per i risultati dei risultati? Per un modello, se non vediamo se il valore non è statisticamente significativo (il valore è maggiore di 0,05), dovremmo supporre che il modello non possa spiegare affatto la relazione tra variabili dipendenti e indipendenti? Grazie in anticipo.
Ciao @shuddha7435 ,
Di seguito affronterò ciascuna delle tue domande una alla volta, ma penso che potresti ottenere ancora più valore da una panoramica della regressione multipla in generale. C'è un modulo nel Pensiero statistico per la risoluzione dei problemi industriali corso online proprio su questo -- completamente gratuito e online.Puoi registrarti e ottenere l'accesso immediato a: https://www.jmp.com/statisticalthinking.
1. Mancanza di test di adattamento: Il test di mancanza di adattamento in JMP è, in termini generali, un test per verificare se il tuo modello è sottospecificato. Cioè, indipendentemente dal fatto che il tuo modello manchi o meno termini/predittori importanti. Rifiutare l'ipotesi nulla è la prova che è necessario adattare un modello più complesso per tenere adeguatamente conto dei dati (il test di mancanza di adattamento lo fa in modo ingegnoso, ma va oltre lo scopo di questo post. Puoi leggere di più sul test di mancanza di adattamento nel Documentazione JMP ). Questo test non è il tipico test di significatività statistica per il modello, non è un test per verificare se almeno un coefficiente è diverso da zero.
2. Analisi della tabella di varianza: La tabella ANOVA mostra le statistiche generali del modello, comprese le somme dei quadrati e dei quadrati medi per entrambi gli errori, nonché per il modello nel suo complesso. Il p-value in questa tabella è quello che chiamereste un test omnibus, un test per verificare se il modello, nel suo insieme, spiega più variazioni in Y di quanto ci si aspetterebbe casualmente per un modello di questa complessità (cioè con tanti gradi di libertà usata per la previsione). Rifiutare il null qui (un p-value inferiore al tuo alfa, ad esempio, 0,05), è la prova che il nostro modello spiega più variazioni in Y di quanto ci aspetteremmo per caso -- o in termini più semplici, fornisce prove statistiche che uno o più dei nostri predittori hanno una vera relazione con Y nella popolazione. Trovo che la tabella Stime dei parametri sia più informativa, poiché mostra i coefficienti per ciascun predittore e i valori p associati, verificando se ci sono prove che il predittore abbia un parametro diverso da zero nella popolazione.
3. Mancato rifiuto di un nullo: Un p-value maggiore del nostro valore alfa dichiarato (es p > 0,05) ci porta a non rifiutare l'ipotesi nulla, a non poter affermare che un risultato è statisticamente significativo. Ciò non significa che il modello non spieghi alcuna variazione nella variabile Y, semplicemente che la quantità di variazione in Y spiegata dal modello potrebbe essere ragionevolmente attribuibile al caso; che non abbiamo ancora prove sufficienti per rifiutare in modo credibile il caso come spiegazione delle relazioni che osserviamo tra Y e i predittori. Un'altra cosa è degna di nota qui, e dovrai perdonarmi per aver parlato di questo: sebbene possiamo considerare il rifiuto dell'ipotesi nulla (ad es. p < 0,05) come una prova verso un effetto, noi non può considerare il mancato rigetto dell'ipotesi nulla come una prova che c'è No effetto. Ci sono sia questioni statistiche che epistemiche in gioco, e sono tutte oltre lo scopo di questo post, ma vale la pena ricordare che noi non accettare mai l'ipotesi nulla in un quadro di verifica delle ipotesi frequentista.
Spero che questo chiarisca alcune cose e vi incoraggio a esaminare il Pensiero statistico per la risoluzione dei problemi industriali corso in linea.
@giuliano
