槓桿圖的正確解釋我正在查看擬合最小二乘結果，模型中有兩個因素（減少模型後留下兩個因素）。 整個模型並不顯著，但因子「A」的槓桿圖很顯著。 我想檢查這是否是槓桿圖的正確解釋：'儘管整個模型並不顯著，但槓桿圖顯示因子「A」對反應有影響。 ？
回覆：槓桿圖的正確解釋關於槓桿圖的顯著性判定，如果將圖延伸到原始比例之外，則水平參考線（無影響）不會包含在百分比 A 的置信區域內。 圖中的視覺評估必須與 p 值的數值評估一致，預設顯著水準為 0.05。
回覆：槓桿圖的正確解釋我不確定你的意思或為什麼這麼說，”所以我感到困惑的部分是沒有一個因素是顯著的，但在效果總結中因素「A 百分比」仍然是顯著的。 」 我猜你想問的是方差分析如何返回p - 值高於 0.05 時p - 因子之一的值小於 0.05。
變異數分析使用F比率，將模型的平均平方和與誤差的平均平方和進行比較。 它是任何非零參數的綜合測試。 參數估計使用t將估計值與假設值（零）與估計值的標準誤差進行比較的比率。 變異數分析和 t 檢定不以任何方式直接相關。 這兩種檢定是基於不同的假設和方法。 確實，如果一個因素有p -值遠小於 0.05，則變異數分析更可能具有p -值小於0.05，但不成正比。 在您的情況下，變異數分析和因子的 p 值均接近任意 0.05 顯著水準。 兩者都沒有特別有力的證據來拒絕原假設（零）。
如果我沒有正確解釋你的最後一個問題或我沒有澄清這個問題，請告訴我。
回覆：槓桿圖的正確解釋@statman @馬克貝利所以我感到困惑的部分是沒有任何因素是顯著的，但在效果總結中因素「A 百分比」仍然是顯著的。
回覆：槓桿圖的正確解釋我對你最初的帖子感到困惑。 從槓桿圖來看，所有因素或整個模型看起來都不顯著。 我的理解是置信曲線必須穿過水平線。 而且看起來您可能有 1 或 2 個看起來不尋常的殘差。 我不確定您是如何從篩選實驗中選擇這些因素的，但您可能想重新審視這一點。 當然，馬克有一些很好的建議。
回覆：槓桿圖的正確解釋不！
FDR 適用於模型中有很多項的情況。 它的目的是透過實驗控制第一類錯誤率的膨脹。
回覆：槓桿圖的正確解釋@馬克貝利感謝您的答覆。 一個後續問題：您認為 FDR p 值在這種情況下有助於過濾掉巧合（因子 A 很重要）嗎？ 由於這個結果（我之前向您展示過），效果摘要顯示因子“A”很重要（如下所示）。
如果我檢查 FDR 效果摘要，則會顯示以下結果。
回覆：槓桿圖的正確解釋感謝分享。有多種方法可以繼續。
- 您可能會接受整個模型測試得出的結論，即所有項都不重要。 這種方法是保守的。 風險是您犯第二類錯誤。
- 如果此案例是篩選研究，您可以放寬 alpha = 0.05 的通用標準來確定顯著性。 也就是說，接受較高的 I 類錯誤機會，以減少 II 類錯誤的機會，後者在篩選時更值得關注。 這種方法假設您將透過未來的觀察來驗證結論。 例如，對新因素水準的反應進行預測並根據經驗進行確認。
- 您可能會收集更多觀察結果，尤其是在因子範圍的末尾，以便查看重複迴歸分析時趨勢是否成立。 如果這種改變在物理上可行的話，您可以考慮在此階段擴展範圍以產生更大的效果。 這種方法是謹慎且經濟的，因為這樣的觀察將具有最大的影響力。
回覆：槓桿圖的正確解釋@馬克貝利這些是情節。
回覆：槓桿圖的正確解釋迴歸分析通常涉及許多假設檢定。 因此，您可能會得到錯誤的意義，即 I 類錯誤。 在這種情況下，您也可能對其中一個因素進行了高槓桿觀察。 您能給我們一張實際與預測和槓桿圖的圖片嗎？
