308633_de-DE

liliconcom

Devianz-Anpassungstest

Hallo, kann mir jemand helfen, sowohl den Pearson- als auch den Deviance-Anpassungstest im Kontext der Poisson-Regression zu interpretieren? Ich versuche zu bestimmen, ob X = Anzahl der Faktoren (d. h. die bei einem Patienten verwendeten medizinischen Gegenstände können dessen Aufenthaltsdauer in Tagen (Y) bestimmen). Mein Gesamtmodell ist signifikant, aber meine Anpassungsstatistiken sind es nicht. Siehe unten, außerdem sollte ich anmerken, dass sowohl mein Achsenabschnitt als auch mein x-Parameter signifikant sind

Danke

#STATISTIKEN

Grundlegende Datenanalyse und ModellierungKonsumenten- und MarktforschungDatenexploration und -visualisierungBetreff: Anpassungstest für Abweichungen

Es gibt viele Möglichkeiten, über Tests nachzudenken (dh Hypothesen aufzustellen). Der Common Whole Model Test geht davon aus (Nullhypothese), dass das Modell nicht signifikant ist. Anders ausgedrückt: Alle Parameter (außer der Konstante) sind 0. Die Alternativhypothese ist, dass nicht alle Parameter 0 sind. Sie könnten also über den gesamten Modelltest nachdenken, um die Frage zu beantworten: "Sind irgendwelche der Begriffe in diesem Modell signifikant?" Diese Frage können Sie natürlich auch nach einzelnen Begriffen stellen.

 

Der Anpassungstest fragt: „Gibt es Hinweise darauf, dass mir Terme im Modell für Resteffekte in der Antwort fehlen?“ Das ist eine Sorge wegen mangelnder Passform. Der Test geht also davon aus (Nullhypothese), dass das Modell gut passt. Die Alternativhypothese ist, dass das Modell nicht gut passt, weil es scheint, dass es Variationen in der Antwort gibt, die nicht vollständig durch den Varianzteil des Modells erklärt werden. Das gesättigte Modell liefert die Schätzung der Varianz, sodass sie mit der Varianz des angepassten Modells verglichen werden kann. Sie werden nicht identisch sein, aber ist der Unterschied ungewöhnlich (statistisch signifikant)?

 

Vielleicht sollten wir über ein gutes Modell im Vergleich zu einem besseren Modell sprechen.

Betreff: Anpassungstest für Abweichungen

@Mark_Bailey kann ich dir noch eine Frage stellen? Bloß mit mir, wenn ich dumm klinge, der Lehrer meiner Statistik schickt mich für eine Schleife ....

 

Wir haben also den gesamten Modelltest und dann den Anpassungstest. Mein Lehrer hat angedeutet, den Whole Model Test zu verwenden, um die Gesamtsignifikanz für das Modell zu bestimmen. Er sagte auch, als er dies tat

Ho: Modell ist nicht signifikant

Ha: Modell IST signifikant

 

Was hier mit dem Sinn machen würde, was ich für den Whole-Model-Test eingerichtet habe, und mein p-Wert ist kleiner als mein Alpha (0,05).

 

Wollen Sie damit sagen, dass ich dann einen anderen "Satz von Hypothesen" verwende, der so für die Anpassungsgüte aufgestellt ist:

Ho: Das Modell ist statistisch signifikant für die Bestimmung meiner y-Variablen

Ha: Das Modell ist statistisch NICHT signifikant für die Bestimmung meiner y-Variablen.

 

Denn meiner Meinung nach und im Kontext meiner Daten ist dies die einzige Möglichkeit, dass mein gesamter Test auf Signifikanz des Modells hinweist und dann auch meine Statistiken zur Anpassungsgüte auf eine gute Anpassung des Modells hinweisen.

 

Betreff: Anpassungstest für Abweichungen

Danke schön! Ich wollte nur sicherstellen, dass sie in diesem Fall vom traditionellen Hypothesentest umgedreht wurden und dass Sie keinen signifikanten p-Wert für Sie haben wollten!

Betreff: Anpassungstest für Abweichungen

Es gibt zwei Tests für die Anpassungsgüte. Diese beiden Hypothesentests gehen von einer guten Anpassung aus (Nullhypothese). Die Alternativhypothese (Test) lautet, dass es an Passung mangelt. Beide schätzen eine Chi-Quadrat-Stichprobenstatistik. Sie basieren beide auf der Änderung der negativen logarithmischen Wahrscheinlichkeit zwischen dem vollständigen Modell (angepasst) und dem gesättigten Modell. Ein signifikanter Test weist auf mangelnde Passform hin. Der Pearson-Test ist älter.

 

Die beiden Methoden zum Schätzen des Chi-Quadrats ergeben sehr ähnliche Schätzungen. Die Wahl des Alphas (erforderliches Signifikanzniveau) liegt bei Ihnen, aber Ihr Beispiel scheint nicht mangelhaft zu sein.