319171_fr-FR

liliconcom

Les facteurs significatifs deviennent non significatifs après suppression des non significatifs

Salut les utilisateurs de Jmp,

 

Lors de l'ajustement du modèle, après suppression des facteurs non significatifs, un facteur qui était significatif avec une valeur P de 0,048 devient non significatif.

Je voulais demander quoi faire dans ce cas? doit-on l'enlever ?

 

Merci!

je

Exploration et visualisation des donnéesRe : Les facteurs significatifs deviennent non significatifs après suppression des non significatifs

Renforcer @Dan_Obermiller et @statman Le conseil de... évitez de considérer la signification statistique comme une falaise binaire, qu'elle soit ou non significative. Supposons que vous ayez une valeur p critique de 0,05, comme beaucoup l'adoptent. Êtes-vous prêt à dire qu'une valeur p d'un effet de 0,051 n'est PAS significative, et êtes-vous prêt à adopter une signification si elle est de 0,048 ? Une ou deux décimales dans une réponse pourraient facilement provoquer quelque chose comme ça.

 

Et que suggère votre analyse graphique des données ? S'il vous plaît, dites-moi que vous avez tracé les données de six manières à partir de dimanche AVANT de faire une modélisation.

Re : Les facteurs significatifs deviennent non significatifs après suppression des non significatifs

Entièrement d'accord avec @statman . Ne vous fiez pas uniquement aux valeurs p. Combinez-le avec les autres informations.

Re : Les facteurs significatifs deviennent non significatifs après suppression des non significatifs

Vous n'avez pas précisé quelle est la source de vos données ? S'agit-il d'une expérience ou de données d'observation ?

Quelques points à garder à l'esprit lors de l'élaboration de modèles pour expliquer la variation des réponses :

1. Chaque coefficient de chaque terme du modèle est conditionnel. je sa magnitude, et parfois son signe, peuvent changer.Ils dépendent des autres variables du modèle (et le bruit).
2. Lorsque vous supprimez des termes d'un modèle, leurs carrés moyens cumulés sont regroupés dans le terme d'erreur (avec les DF). Cela modifie l'estimation de l'erreur quadratique moyenne qui est la base du test F et des valeurs p suivantes.

La simplification des modèles nécessite l'utilisation de plusieurs sources d'informations :

1. Importance pratique . Représenter graphiquement les résultats et comprendre l'importance pratique de chaque facteur est TOUJOURS plus important que la signification statistique (que VOUS contrôlez dans la façon dont votre étude conçue donne un aperçu de la variation aléatoire). Demandez toujours si les résultats ont un sens d'un point de vue scientifique ou technique.

2. R-carré, R-carré ajusté et surtout la delta entre ceux-ci.

3. valeurs p

4. d'autres statistiques en fonction de la source des données (par exemple, pour les données d'observation, vous voudrez peut-être rechercher la multicolinéarité)