interprétation correcte du graphique de levierJe regarde les résultats d'ajustement des moindres carrés et il y a deux facteurs dans le modèle (après réduction du modèle, il reste deux facteurs). L'ensemble du modèle n'est pas significatif, mais le graphique de levier pour le facteur « A » est significatif. Je voulais vérifier si c'est la bonne interprétation du graphique de levier : ' Bien que l'ensemble du modèle ne soit pas significatif, le graphique de levier montre que le facteur « A » a un impact sur la réponse. ?
Re : interprétation correcte du graphique de levierConcernant la décision de signification par les tracés de levier, la ligne de référence horizontale (aucun effet) n'est pas contenue dans la région de confiance pour le pourcentage A si vous étendez le tracé au-delà de l'échelle d'origine. L'évaluation visuelle dans le tracé doit correspondre à l'évaluation numérique de la valeur p au niveau de signification par défaut de 0,05.
Re : interprétation correcte du graphique de levierJe ne suis pas sûr de ce que vous voulez dire ni de la raison pour laquelle vous dites : " Donc, la partie qui me rend confus est qu'aucun facteur n'est significatif, mais toujours dans le résumé des effets, le facteur « pourcentage A » est significatif. " Je suppose que vous voulez demander comment l'ANOVA peut-elle renvoyer un p -valeur supérieure à 0,05 lorsque le p -la valeur de l'un des facteurs est inférieure à 0,05.
L'ANOVA utilise le F rapport pour comparer la somme des carrés moyenne du modèle à la somme des carrés moyenne des erreurs. Il s'agit d'un test omnibus de tout paramètre non nul. Les estimations des paramètres utilisent le t ratio pour comparer l’estimation à la valeur hypothétique (zéro) à l’erreur type de l’estimation. Les tests ANOVA et t ne sont en aucun cas directement liés. Ces deux tests reposent sur des hypothèses et des méthodes différentes. Il est vrai que si un facteur a un p -une valeur bien inférieure à 0,05, il est alors plus probable que l'ANOVA ait une p -valeur inférieure à 0,05, mais elle n'est pas directement proportionnelle. Dans votre cas, les valeurs p pour l'ANOVA et le facteur sont toutes deux proches du niveau de signification arbitraire de 0,05. Ni l’un ni l’autre ne dispose de preuves particulièrement solides pour rejeter l’hypothèse nulle (zéro).
Faites-moi savoir si je n'ai pas interprété correctement votre dernière question ou si je n'ai pas clarifié le problème.
Re : interprétation correcte du graphique de levier@statman @Mark_Bailey Donc, la partie qui me rend confus est qu'aucun facteur n'est significatif, mais toujours dans le résumé des effets, le facteur « pourcentage A » est significatif.
Re : interprétation correcte du graphique de levierJe suis confus par votre message initial. En regardant les graphiques de levier, aucun des facteurs ni l’ensemble du modèle ne semblent significatifs. Je crois comprendre que la courbe de confiance doit franchir la ligne horizontale. Il semble également que vous ayez 1 ou 2 résidus qui semblent inhabituels. Je ne sais pas comment vous avez sélectionné ces facteurs dans votre expérience de dépistage, mais vous voudrez peut-être y revenir. Et bien sûr, Mark a de bons conseils.
Re : interprétation correcte du graphique de levierNON!
FDR est destiné aux situations comportant de très nombreux termes dans le modèle. Il vise à contrôler l’inflation du taux d’erreur de type I au niveau expérimental.
Re : interprétation correcte du graphique de levier@Mark_Bailey Merci pour votre réponse. Une question complémentaire : pensez-vous que la valeur p du FDR aide dans ce cas à filtrer la coïncidence (le facteur A est significatif) ? En raison de ce résultat (que je vous ai déjà montré), le résumé des effets montre que le facteur « A » est significatif (illustré ci-dessous).
Et si je vérifie, le résumé de l'effet FDR affiche les résultats suivants.
Re : interprétation correcte du graphique de levierMerci d'avoir partagé.Il existe plusieurs façons de procéder.
- Vous pourriez accepter la conclusion de l’ensemble du test du modèle selon laquelle aucun des termes n’est significatif. Cette approche est conservatrice. Le risque est que vous commettiez une erreur de type II.
- Vous pouvez assouplir la norme commune d'alpha = 0,05 pour la signification s'il s'agit d'une étude de dépistage. Autrement dit, acceptez un risque plus élevé d’erreur de type I afin de réduire le risque d’erreur de type II, ce qui est plus préoccupant lors du dépistage. Cette approche suppose que vous vérifierez la conclusion avec des observations futures. Par exemple, faites des prédictions sur la réponse à de nouveaux niveaux de facteurs et confirmez-les empiriquement.
- Vous pouvez collecter davantage d'observations, en particulier aux extrémités des plages de facteurs, afin de voir si les tendances se maintiennent lors de la répétition de l'analyse de régression. Vous pourriez envisager d’étendre les plages à ce stade pour produire un effet plus important, si ce changement est physiquement réalisable. Cette approche est prudente et économique car de telles observations auraient un effet de levier maximal.
Re : interprétation correcte du graphique de levier@Mark_Bailey ce sont les intrigues.
Re : interprétation correcte du graphique de levierUne analyse de régression implique souvent de nombreux tests d’hypothèses. Il est donc possible que vous obteniez une fausse signification, une erreur de type I. Dans ce cas, il est également possible que vous ayez une observation à fort effet de levier pour l’un des facteurs. Pouvez-vous nous montrer une image du graphique réel par prévu et de l'effet de levier ?
