Tukey Multiple Comparison의 요인 수준 간에 통계적 유의성 차이가 있지만 효과 검정에서 요인은 통계적으로 유의하지 않습니다.안녕,
일반화 회귀 모형을 사용하여 데이터 분석을 수행하고 있으며, 반응 변수 분포로는 이항 분포를 사용합니다(반응 변수 값(ErrorAT)이 0 또는 1이기 때문입니다). 추정 방법으로는 라쏘(Lasso)를 사용합니다.
저는 몇몇 요인들 사이에 큰 상관관계가 있기 때문에 일반화 회귀 분석을 사용하기로 했습니다.
이 모델과 관련하여 간단한 질문이 있습니다. 주요 요인 중 하나(seedAT)가 모델에서 제거되었습니다. 그런데 해당 요인에 대해 Tukey 다중 비교 검정을 사용했더니, 요인(seedAT)의 세 수준 모두 서로 통계적으로 유의미한 차이를 보였습니다. 만약 세 수준 모두 서로 통계적으로 유의미한 차이를 보인다면, 해당 요인도 유의미해야 하지 않을까요?
요인 수준은 통계적으로 유의미하게 다르지만 요인은 여전히 모델에 중요하지 않은 이유를 누군가 설명해 줄 수 있을까요?
감사합니다!
예측 모델링 및 머신 러닝Re: Tukey Multiple Comparison의 요인 수준 간에 통계적으로 유의한 차이가 있지만 효과 검정에서 요인이 통계적으로 유의하지 않음질문에 1차 효과를 강제로 포함하기 위해 일반화 회귀의 "고급 제어"에서 옵션을 빠르게 사용할 수 있다는 것을 깨달았습니다.Re: Tukey Multiple Comparison의 요인 수준 간에 통계적으로 유의한 차이가 있지만 효과 검정에서 요인이 통계적으로 유의하지 않음@dale_lehman 그리고 @statman 답변 감사합니다
데이터 세트와 관련하여 여러 시뮬레이션 실험(1620)을 실행하여 얻은 데이터입니다.
각 실험에서 나는 도착 시간(IA_scenario), 도착 시간 시드(seedAT), 서비스 시간(ST_scenario), 서비스 시간 시드(ST), 복제 횟수(NRepsNom) 및 대기열 모델(M) 요소를 고려했습니다. /M/1 또는 M/M/inf는 대기열 이론의 Kendall 표기법을 기반으로 함). 요인은 완전 요인에 따라 다양했습니다.나는 도착시간과 서비스시간을 다르게 했고 이것은 Queueing 모델이기 때문에 결과적으로 모델의 트래픽 집약도도 다양했다(TINom).
이 시뮬레이션 모델에서는 평균 도착 시간(AT), 평균 서비스 시간(ST), 시스템 내 장치 수의 평균(NIS), 시스템 내 평균 시간(TIS)의 4가지 응답을 수집했습니다. 이 시뮬레이션 결과와 대기열 이론의 이론적 결과를 바탕으로 예를 들어 AT의 오차를 계산했습니다.
AT는 가장 간단한 경우입니다(대기열 시스템을 지정하고 ST에 종속되지 않는 도착입니다). 따라서 회귀 모델을 구축할 때 서비스 시간과 관련된 요소를 회귀 모델에 포함하지 않았습니다. 다른 모든 요소를 포함했습니다.
이것이 내가 데이터 세트를 설명할 수 있는 가장 간단한 방법이라고 생각합니다.
이제 토론으로 돌아갑니다.
- 비교에 대해. 효과 테스트에서 요인(SeedAT)은 다른 요인과 비교되지 않죠? 내가 아는 한, 우리는 모델에 대한 요인의 중요성을 테스트하고 있으며 그게 전부입니다. 따라서 효과 검정에서 SeedAT가 모델에 대해 통계적으로 유의한지 여부의 문제입니다.다중 비교 검정에서는 요인과 다른 요인 및 상호 작용의 비교를 수행합니다.
그리고 이것이 맞다면 요인의 세 가지 수준이 모두 통계적으로 유의하게 다르다면 요인이 통계적으로 유의하다는 데는 의심의 여지가 없다는 것이 제 이해입니다. 하지만 내 이해가 모두 틀렸다고 생각합니다. 누군가 나에게 그것에 대해 읽을 수 있는 링크나 자료를 알려 주시면 정말 감사하겠습니다. 내가 찾은 것들은 지금까지 내 질문과 이해를 명확히하지 못했습니다.
- 1차 효과 vs 2차 효과에 대해서. 나는 1차 효과를 제거하지 않았지만 일반화된 모델은 2차 효과가 있는 동안 "유의하지 않다"고 나에게 말하고 있다. 내 질문과 관련이 있습니다. 둘 다 지적했듯이 이것은 계층 구조 원칙을 따르지 않기 때문입니다.
그러나 어떻게 JMP에게 1차 효과 SeedAT를 모델에 강제로 포함하도록 지시할 수 있습니까? 회귀 방정식을 생성할 때 효과가 방정식에 포함되지 않기 때문입니다.
실용적인 의미는 좋은 알림입니다. 감사합니다!
토론과 통찰력에 다시 한 번 감사드립니다.
Re: Tukey Multiple Comparison의 요인 수준 간에 통계적으로 유의한 차이가 있지만 효과 검정에서 요인이 통계적으로 유의하지 않음데이터 세트와 데이터 획득 방법을 이해하는 것이 매우 도움이 되지만 공개 포럼에 게시하는 것을 원하지 않을 수도 있다는 점을 이해합니다. 이것은 당신이 정확히 무엇을 했는지 또는 하려고 했는지 알기 어렵게 만듭니다. 나는 비교가 동일하다는 것에 반드시 동의하지는 않습니다. 한 가지 비교는 모델의 다른 요인, 상호 작용 및 오류와의 요인(seedAT)입니다. seedAT 수준의 수준 차이를 볼 때 수준 내에서 수준 간을 비교하는 것입니다. 이 비교에는 요인이 없으며 비교의 기준은 수준 내 변동입니다(모델의 할당되지 않은 DF가 아닌 오류).
귀하의 모델이 확실하지 않지만 1차 효과를 제거하고 2차 효과를 유지한 것으로 보입니다. 이것은 모델 구축 시 계층 구조의 원칙을 따르지 않습니까? 약간 Dale의 요점입니다.
한 가지 추가 의견: 실제적인 측면에서 차이점이 무엇인지 잘 모르겠습니다. 통계적 의미보다 실용적인 의미가 항상 더 중요하다는 것을 잊지 마십시오.
Re: Tukey Multiple Comparison의 요인 수준 간에 통계적으로 유의한 차이가 있지만 효과 검정에서 요인이 통계적으로 유의하지 않음나는 당신의 모델을 이해하지 못합니다.seedAT는 일부 교차 효과에서 유의미하므로 유의하지 않은 것은 직접 효과뿐입니다.이것은 이상해 보이지만 변수의 중요성은 다른 변수와의 상호 작용에 있다고 생각합니다. 일단 이러한 변수가 고려되면 seedAT의 효과가 통합됩니다. seedAT가 모델에서 제거된 것처럼 보입니다. 이는 중요하지 않지만 모델이 중복된다는 표시입니다(저는 일반화 회귀에 대한 경험이 거의 없으므로 틀릴 수 있습니다).
Re: Tukey Multiple Comparison의 요인 수준 간에 통계적으로 유의한 차이가 있지만 효과 검정에서 요인이 통계적으로 유의하지 않음맞습니다. 하지만 여기에서의 비교는 동일합니다. 따라서 모형에서 요인의 수준이 크게 다른 경우 요인 자체가 모형에서 중요하지 않아야 합니까?Re: Tukey Multiple Comparison의 요인 수준 간에 통계적으로 유의한 차이가 있지만 효과 검정에서 요인이 통계적으로 유의하지 않음통계적 유의성은 조건문입니다. 그것은 비교 대상, 모델에 있는 것과 없는 것, 오류 항을 구성하는 것, 추론 공간에 있는 것에 따라 다릅니다.
