因子は効果検定では統計的に有意ではないが、Tukey多重比較では因子レベル間に統計的に有意差がある。こんにちは、
一般化回帰モデルを用いてデータの分析を行っています。応答分布は二項分布です（応答値（ErrorAT）が0か1のいずれかであるため）。推定法にはLassoを使用しています。
いくつかの要因間の相関関係が大きいため、一般化回帰を使用することを選択しました。
このモデルに関して質問があります。主要因子の一つ（seedAT）がモデルから削除されました。しかし、この因子に対してTukeyの多重比較検定を行ったところ、因子（seedAT）の3つの水準すべてが統計的に有意差を示しました。もし各水準が統計的に有意差を示しているのであれば、この因子も有意差を示すべきではないでしょうか？
要因のレベルが統計的に有意に異なるにもかかわらず、要因がモデルにとって依然として重要ではない理由を誰か説明してもらえませんか?
ありがとう！
予測モデリングと機械学習Re: 効果検定では因子が統計的に有意ではありませんが、テューキーの多重比較では因子レベル間に統計的有意差があります一次効果を強制的に含める質問については、一般化回帰の「事前制御」でオプションがすぐに利用できることを認識しています。Re: 効果検定では因子が統計的に有意ではありませんが、テューキーの多重比較では因子レベル間に統計的有意差があります@dale_lehmanと@スタットマン答えてくれてありがとう
データセットに関しては、複数のシミュレーション実験を実行して取得したこれらのデータ (1620)。
各実験では、到着時間 (IA_scenario)、到着時間のシード (seedAT)、サービス時間 (ST_scenario)、サービス時間のシード (ST)、レプリケーション数 (NRepsNom)、およびキュー モデル (M /M/1 または M/M/inf (キュー理論からの Kendall の表記に基づく)。 要因は、完全な要因に従って変化しました。私は到着時間とサービス時間を変化させましたが、これは待ち行列モデルであるため、モデルのトラフィック強度も変化しました (TNom)。
このシミュレーションモデルでは、到着時間の平均 (AT)、サービス時間の平均 (ST)、システム内のユニット数の平均 (NIS)、システム内の平均時間 (TIS) の 4 つの応答を収集しました。 このシミュレーション結果と待ち行列理論の理論結果に基づいて、たとえばATの誤差を計算しました。
AT は最も単純なケースです (キュー システムを決定するのは到着であり、ST には依存しません)。 そのため、回帰モデルを作成したとき、サービス時間に関連する要因を回帰モデルに含めませんでした。 他のすべての要因を含めました。
これがデータセットを説明できる最も簡単な方法だと思います。
では議論に戻ります。
・比較について。 効果検証ではファクター（SeedAT）を他のファクターと比較していませんよね？ 私の知る限り、モデルに対する因子の重要性をテストしており、それだけです。 したがって、効果テストでは、モデルに対して SeedAT が統計的に有意であるかどうかが問題になります。因子と他の因子および交互作用との比較は、多重比較検定で実行されます。
これが正しければ、因子の 3 つの水準すべてが統計的に有意に異なる場合、その因子が統計的に有意であることに疑いの余地はないというのが私の理解でした。 しかし、私の理解はすべて間違っていたと思います。 誰かがそれについて読むためのリンクや資料を教えてくれたら、本当に感謝しています. 私が見つけたものは、これまでのところ私の質問と理解を明確にしませんでした。
・一次効果と二次効果について。 私は一次効果を取り除きませんでしたが、一般化されたモデルは「それは重要ではない」と言っていますが、二次効果はそうです。 これは私の質問に関連しています。 お二人が指摘したように、これはヒエラルキーの原則に従っていないからです。
しかし、どうすればモデルに一次効果 SeedAT を強制的に含めるように JMP に指示できますか? 回帰方程式を生成すると、その効果が方程式に含まれないためです。
実際の重要性は良い思い出です。 有難うございます！
議論と洞察をありがとうございました。
Re: 効果検定では因子が統計的に有意ではありませんが、テューキーの多重比較では因子レベル間に統計的有意差がありますデータセットとデータの取得方法を理解することは非常に役立ちますが、これを公開フォーラムに投稿したくない場合があることは理解しています. これにより、自分が何をしたか、何をしようとしているのかを正確に知ることが難しくなります。 比較が同じであることに必ずしも同意するわけではありません。 1 つの比較は、因子 (seedAT) と、モデル内の他の因子、相互作用、およびエラーとの比較です。 シードAT のレベルのレベル差を見るときは、レベル内とレベル間で比較しています。 この比較には要因はなく、比較の基準はレベル内変動です (モデルの割り当てられていない DF、エラーではありません)。
あなたのモデルについてはわかりませんが、1 次効果を削除して 2 次効果を保持しているようです。 これは、モデル構築時の階層の原則に従っていませんか? ややデールの要点に。
追加のコメント: 実際の違いが何であるかはわかりません。 実際の有意性は常に統計的有意性よりも重要であることを忘れないでください。
Re: 効果検定では因子が統計的に有意ではありませんが、テューキーの多重比較では因子レベル間に統計的有意差があります私はあなたのモデルを理解していません。シードAT はいくつかの有意な交差効果にあるため、有意性を示していないのは直接効果のみです。これは珍しいことのように思えますが、変数の重要性は他の変数との相互作用にあることを示唆しています。それらが考慮されると、seedAT の効果が組み込まれます。 モデルから seedAT が削除されたように見えます。これは重要ではありませんが、モデルが冗長であることを示しています (私は一般化回帰の経験がほとんどないため、間違っている可能性があります)。
Re: 効果検定では因子が統計的に有意ではありませんが、テューキーの多重比較では因子レベル間に統計的有意差がありますそうですが、ここでの比較は同じです。 では、因子のレベルがモデル内で有意に異なる場合、その因子自体がモデルにとって有意であるべきではないでしょうか?Re: 効果検定では因子が統計的に有意ではありませんが、テューキーの多重比較では因子レベル間に統計的有意差があります統計的有意性は条件文です。 それは、比較されるもの、モデルに含まれるものと含まれないもの、誤差項を構成するもの、推論空間にあるものによって異なります。
