Richtige Interpretation des Leverage-PlotsIch schaue mir die Ergebnisse der Anpassung der kleinsten Quadrate an und es gibt zwei Faktoren im Modell (nach der Reduzierung des Modells bleiben zwei Faktoren übrig). Das gesamte Modell ist nicht signifikant, aber die Hebelwirkungskurve für Faktor „A“ ist signifikant. Ich wollte überprüfen, ob dies die richtige Interpretation des Leverage-Plots ist: „ Obwohl das gesamte Modell nicht signifikant ist, zeigt das Leverage-Plot, dass Faktor „A“ einen Einfluss auf die Reaktion hat. ?
Betreff: Richtige Interpretation des Leverage-PlotsWas die Signifikanzentscheidung der Hebelwirkungsdiagramme betrifft, liegt die horizontale Referenzlinie (kein Effekt) nicht im Konfidenzbereich für Prozent A, wenn Sie das Diagramm über den ursprünglichen Maßstab hinaus erweitern. Die visuelle Bewertung im Diagramm muss mit der numerischen Bewertung des p-Werts auf dem Standardsignifikanzniveau von 0,05 übereinstimmen.
Betreff: Richtige Interpretation des Leverage-PlotsIch bin mir nicht sicher, was Sie meinen oder warum Sie sagen: „ Der Teil, der mich verwirrt, ist, dass kein Faktor signifikant ist, aber in der Wirkungszusammenfassung ist der Faktor „Prozent A“ dennoch signifikant. " Ich vermute, dass Sie fragen wollen, wie die ANOVA a zurückgeben kann P -Wert über 0,05, wenn der P -Wert für einen der Faktoren ist kleiner als 0,05.
Die ANOVA verwendet die F Verhältnis, um die mittlere Quadratsumme des Modells mit der mittleren Quadratsumme der Fehler zu vergleichen. Es handelt sich um einen Sammeltest aller Parameter ungleich Null. Die Parameterschätzungen verwenden die T Verhältnis zum Vergleich der Schätzung mit dem hypothetischen Wert (Null) mit dem Standardfehler der Schätzung. Die ANOVA- und t-Tests stehen in keinem direkten Zusammenhang. Diese beiden Tests basieren auf unterschiedlichen Hypothesen und Methoden. Es ist wahr, dass, wenn ein Faktor a hat P -Wert, der viel kleiner als 0,05 ist, dann ist es wahrscheinlicher, dass die ANOVA einen hat P -Wert kleiner als 0,05, aber nicht direkt proportional. In Ihrem Fall liegen die p-Werte für die ANOVA und den Faktor beide nahe am willkürlichen Signifikanzniveau von 0,05. Keiner von beiden verfügt über besonders starke Beweise für die Ablehnung der Nullhypothese (Null).
Lassen Sie mich wissen, wenn ich Ihre letzte Frage entweder nicht richtig interpretiert oder das Problem nicht geklärt habe.
Betreff: Richtige Interpretation des Leverage-Plots@statman @Mark_Bailey Der Teil, der mich verwirrt, ist, dass kein Faktor signifikant ist, aber in der Wirkungszusammenfassung ist der Faktor „Prozent A“ dennoch signifikant.
Betreff: Richtige Interpretation des Leverage-PlotsIch bin verwirrt über Ihren ersten Beitrag. Wenn man sich die Hebeldiagramme ansieht, sieht keiner der Faktoren oder das gesamte Modell signifikant aus. Nach meinem Verständnis muss die Konfidenzkurve die horizontale Linie kreuzen. Es sieht auch so aus, als hätten Sie ein oder zwei Reste, die ungewöhnlich aussehen. Ich bin mir nicht sicher, wie Sie diese Faktoren aus Ihrem Screening-Experiment ausgewählt haben, aber vielleicht möchten Sie das noch einmal durchgehen. Und natürlich hat Mark einige gute Ratschläge.
Betreff: Richtige Interpretation des Leverage-PlotsNEIN!
FDR ist für Situationen mit sehr vielen Begriffen im Modell gedacht. Ziel ist es, die Inflation der Typ-I-Fehlerrate experimentell zu kontrollieren.
Betreff: Richtige Interpretation des Leverage-Plots@Mark_Bailey Danke für Ihre Antwort. Eine Folgefrage: Glauben Sie, dass der FDR-p-Wert in diesem Fall hilft, den Zufall herauszufiltern (dass Faktor A signifikant ist)? Aufgrund dieses Ergebnisses (das ich Ihnen zuvor gezeigt habe) zeigt die Wirkungszusammenfassung, dass Faktor „A“ signifikant ist (siehe unten).
Und wenn ich die FDR-Effektzusammenfassung überprüfe, werden die folgenden Ergebnisse angezeigt.
Betreff: Richtige Interpretation des Leverage-PlotsDanke für das Teilen.Es gibt verschiedene Möglichkeiten, um fortzufahren.
- Sie können die Feststellung des gesamten Modelltests akzeptieren, dass keiner der Begriffe signifikant ist. Dieser Ansatz ist konservativ. Das Risiko besteht darin, dass Sie einen Fehler vom Typ II machen.
- Sie können den üblichen Standard von Alpha = 0,05 für die Signifikanz lockern, wenn es sich in diesem Fall um eine Screening-Studie handelt. Akzeptieren Sie also eine höhere Wahrscheinlichkeit eines Fehlers vom Typ I, um die Wahrscheinlichkeit eines Fehlers vom Typ II zu verringern, der beim Screening besorgniserregender ist. Bei diesem Ansatz wird davon ausgegangen, dass Sie die Schlussfolgerung anhand zukünftiger Beobachtungen überprüfen. Machen Sie beispielsweise Vorhersagen über die Reaktion auf neuen Faktorstufen und bestätigen Sie diese empirisch.
- Möglicherweise sammeln Sie weitere Beobachtungen, insbesondere an den Enden der Faktorbereiche, um zu sehen, ob die Trends bei der Wiederholung der Regressionsanalyse anhalten. Sie können zu diesem Zeitpunkt erwägen, die Bereiche zu erweitern, um einen größeren Effekt zu erzielen, sofern diese Änderung physikalisch machbar ist. Dieser Ansatz ist umsichtig und wirtschaftlich, da solche Beobachtungen den größtmöglichen Einfluss hätten.
Betreff: Richtige Interpretation des Leverage-Plots@Mark_Bailey Das sind die Handlungsstränge.
Betreff: Richtige Interpretation des Leverage-PlotsEine Regressionsanalyse umfasst oft viele Hypothesentests. Daher ist es möglich, dass Sie eine falsche Bedeutung erhalten, einen Fehler vom Typ I. In diesem Fall ist es auch möglich, dass Sie für einen der Faktoren eine hohe Hebelwirkung beobachten. Können Sie uns ein Bild der Diagramme „Actual by Predicted“ und „Leverage“ zeigen?
