杠杆图的正确解释我正在查看拟合最小二乘结果，模型中有两个因素（减少模型后留下两个因素）。 整个模型并不显着，但因子“A”的杠杆图很显着。 我想检查这是否是杠杆图的正确解释：'尽管整个模型并不显着，但杠杆图显示因子“A”对响应有影响。 ？
回复：杠杆图的正确解释关于杠杆图的显着性判定，如果将图延伸到原始比例之外，则水平参考线（无影响）不会包含在百分比 A 的置信区域内。 图中的视觉评估必须与 p 值的数值评估一致，默认显着性水平为 0.05。
回复：杠杆图的正确解释我不确定你的意思或为什么这么说，”所以我感到困惑的部分是没有一个因素是显着的，但在效果总结中因素“A 百分比”仍然是显着的。 ” 我猜你想问的是方差分析如何返回p - 值高于 0.05 时p - 因子之一的值小于 0.05。
方差分析使用F比率，将模型的平均平方和与误差的平均平方和进行比较。 它是任何非零参数的综合测试。 参数估计使用t将估计值与假设值（零）与估计值的标准误差进行比较的比率。 方差分析和 t 检验不以任何方式直接相关。 这两种检验基于不同的假设和方法。 确实，如果一个因素有p -值远小于 0.05，则方差分析更有可能具有p -值小于0.05，但不成正比。 在您的情况下，方差分析和因子的 p 值均接近任意 0.05 显着性水平。 两者都没有特别有力的证据来拒绝原假设（零）。
如果我没有正确解释你的最后一个问题或者我没有澄清这个问题，请告诉我。
回复：杠杆图的正确解释@statman @马克贝利所以我感到困惑的部分是没有一个因素是显着的，但在效果总结中因素“A 百分比”仍然是显着的。
回复：杠杆图的正确解释我对你最初的帖子感到困惑。 从杠杆图来看，所有因素或整个模型看起来都不显着。 我的理解是置信曲线必须穿过水平线。 而且看起来您可能有 1 或 2 个看起来不寻常的残差。 我不确定您是如何从筛选实验中选择这些因素的，但您可能想重新审视这一点。 当然，马克有一些很好的建议。
回复：杠杆图的正确解释不！
FDR 适用于模型中有很多项的情况。 它的目的是通过实验控制第一类错误率的膨胀。
回复：杠杆图的正确解释@马克贝利感谢您的答复。 一个后续问题：您认为 FDR p 值在这种情况下有助于过滤掉巧合（因子 A 很重要）吗？ 由于这个结果（我之前向您展示过），效果摘要显示因子“A”很重要（如下所示）。
如果我检查 FDR 效果摘要，则会显示以下结果。
回复：杠杆图的正确解释感谢分享。有多种方法可以继续。
- 您可能会接受整个模型测试得出的结论，即所有项都不重要。 这种方法是保守的。 风险是您犯第二类错误。
- 如果此案例是一项筛选研究，您可以放宽 alpha = 0.05 的通用标准来确定显着性。 也就是说，接受较高的 I 类错误机会，以减少 II 类错误的机会，后者在筛选时更值得关注。 这种方法假设您将通过未来的观察来验证结论。 例如，对新因素水平的响应进行预测并根据经验进行确认。
- 您可能会收集更多观察结果，尤其是在因子范围的末尾，以便查看重复回归分析时趋势是否成立。 如果这种改变在物理上可行的话，您可以考虑在此阶段扩展范围以产生更大的效果。 这种方法是谨慎且经济的，因为这样的观察将具有最大的影响力。
回复：杠杆图的正确解释@马克贝利这些是情节。
回复：杠杆图的正确解释回归分析通常涉及许多假设检验。 因此，您可能会得到错误的意义，即 I 类错误。 在这种情况下，您也可能对其中一个因素进行了高杠杆观察。 您能给我们展示一张实际与预测和杠杆图的图片吗？
