308633_it-IT

liliconcom

Devianza bontà del fit test

Salve, qualcuno può aiutarmi a interpretare sia la bontà del fit test di Pearson che quella di Devianza nel contesto della regressione di Poisson? Sto cercando di determinare se X = # di fattori (ovvero gli articoli medici utilizzati su un paziente possono determinare la durata della sua degenza in giorni (Y). Il mio modello complessivo è significativo ma le mie statistiche sulla bontà di adattamento non lo sono. Vedi sotto, anche io dovrebbe notare che sia la mia intercetta che il parametro x sono significativi

Grazie

#STATISTICHE

Analisi e modellazione dei dati di baseRicerche sui consumatori e sul mercatoEsplorazione e visualizzazione dei datiRe: Bontà della devianza del test di adattamento

Ci sono molti modi per pensare (cioè ipotizzare) i test. Il test del modello intero comune presuppone (ipotesi nulla) che il modello non sia significativo. Un altro modo per dirlo è che tutti i parametri (tranne la costante) sono 0. L'ipotesi alternativa è che non tutti i parametri siano 0. Quindi potresti pensare all'intero test del modello come un modo per rispondere alla domanda: "Qualcuno dei termini in questo modello è significativo?" Puoi anche porre questa domanda su singoli termini, ovviamente.

 

La bontà del test di adattamento sta chiedendo: "Ci sono prove che mi mancano i termini nel modello per gli effetti residui nella risposta?" Questa è una preoccupazione per la mancanza di adattamento. Quindi il test presuppone (ipotesi nulla) che il modello sia adatto. L'ipotesi alternativa è che il modello non sia adatto perché sembra che ci sia una variazione nella risposta che non è interamente spiegata dalla parte varianza del modello. Il modello saturo fornisce la stima della varianza in modo che possa essere confrontata con la varianza del modello adattato. Non saranno identici, ma la differenza è insolita (statisticamente significativa)?

 

Forse dovremmo parlare di un buon modello contro un modello migliore.

Re: Bontà della devianza del test di adattamento

@Mark_Bailey posso farti un'altra domanda? Nudo con me se sembro stupido, l'insegnante della mia statistica mi sta mandando a fare un giro....

 

Quindi abbiamo l'intero test del modello e poi il test della bontà di adattamento. Il mio insegnante ha suggerito di utilizzare il Whole Model Test per determinare il significato complessivo del modello. Ha anche detto che quando si fa questo il

Ho: il modello non è significativo

Ha: il modello è significativo

 

Il che qui avrebbe senso con quello che ho impostato per il test del modello intero e il mio valore p è inferiore al mio alfa (0,05).

 

Stai quindi dicendo che allora uso un diverso "insieme di ipotesi" impostato in questo modo per Bontà di adattamento:

Ho: il modello è statisticamente significativo per determinare la mia variabile y

Ah: il modello NON è statisticamente significativo per determinare la mia variabile y.

 

Perché nella mia mente e nel contesto dei miei dati questo è l'unico modo per fare in modo che il mio intero test indichi che il modello sia significativo e anche allora le mie statistiche sulla bontà dell'adattamento indicano un buon adattamento del modello.

 

Re: Bontà della devianza del test di adattamento

Grazie! Volevo solo assicurarmi che in questo caso fossero capovolti dal tradizionale test di ipotesi e che tu non volessi un valore p significativo per te!

Re: Bontà della devianza del test di adattamento

Ci sono due test per la bontà dell'adattamento. Questi due test di ipotesi presuppongono che l'adattamento sia buono (ipotesi nulla). L'ipotesi alternativa (test) è che vi sia mancanza di adattamento. Entrambi stimano una statistica campionaria del Chi quadrato. Entrambi sono basati sulla variazione della probabilità logaritmica negativa tra il modello completo (adattato) e il modello saturo. Un test significativo indica la mancanza di adattamento. Il test di Pearson è più vecchio.

 

I due metodi di stima del Chi quadrato producono stime molto simili. La scelta dell'alfa (livello di significatività richiesto) dipende da te, ma il tuo esempio non sembra mostrare mancanza di adattamento.