Bonjour, quelqu'un peut-il m'aider à interpréter les tests d'ajustement de Pearson et de Deviance dans le contexte de la régression de Poisson? J'essaie de déterminer si X = # de facteurs (c'est-à-dire les articles médicaux utilisés sur un patient peuvent déterminer leur durée de séjour en jours (Y). Mon modèle global est significatif, mais mes statistiques d'ajustement ne le sont pas. Voir ci-dessous, je dois également noter que mon interception et mon paramètre x sont significatifs
Je vous remercie
#STATISTIQUES
Il existe deux tests de qualité d'ajustement. Ils estiment tous deux une statistique d'échantillon du chi carré. Ils sont tous deux basés sur le changement du log de vraisemblance négatif entre le modèle complet (ajusté) et le modèle saturé. Un test significatif indique un manque d'ajustement. Le test de Pearson est plus ancien.
Le choix de l'alpha (niveau de signification requis) vous appartient, mais votre exemple ne semble pas présenter de manque d'ajustement.
Je vous remercie! Je voulais juste m'assurer que dans ce cas, ils étaient inversés par rapport au test d'hypothèse traditionnel et que vous ne vouliez pas une valeur p significative!
@markbailey puis-je vous poser une autre question? Bare avec moi si j'ai l'air idiot, mon professeur de statistique m'envoie pour une boucle ...
Nous avons donc tout le test du modèle, puis la qualité des tests d'ajustement. Mon professeur a suggéré d'utiliser le test du modèle entier pour déterminer la signification globale du modèle. Il a également dit en faisant cela le
Ho: le modèle n'est pas significatif
Ha: le modèle est significatif
Ce qui ici aurait du sens avec ce que j'ai mis en place pour le test du modèle entier, et ma valeur p est inférieure à mon alpha (0,05).
Êtes-vous en train de dire qu'alors j'utilise un «ensemble d'hypothèses» différent mis en place comme ceci pour la qualité de l'ajustement:
Ho: le modèle est statistiquement significatif pour déterminer ma variable y
Ha: le modèle n'est PAS statistiquement significatif pour déterminer ma variable y.
Parce que dans mon esprit et dans le contexte de mes données, c'est la seule façon de faire en sorte que tout mon test indique que le modèle soit significatif et que mes statistiques de qualité d'ajustement indiquent également un bon ajustement du modèle.
