Praktische Erklärung von ParameterschätzungenIch arbeite mit der Fit Model Platform mit einer kontinuierlichen Ausgangsvariablen und mehreren nominalen Eingangsvariablen.
Ich verstehe, dass der T-Wert in der Parameterschätzungstabelle dazu dient, zu testen, ob die Schätzung gleich Null ist oder nicht. Praktisch gesehen, wenn ich eine Variable (Cell Lot) mit 3 Kategorien (1, 2 und 3) habe und die beiden aufgelisteten (1 & 2) in der Parameterschätzungstabelle kleiner als das Alpha von 0,05 sind, was ist die Schlussfolgerung das kann man machen? Unterscheiden sich 1 und 2 signifikant von 3?
Ich weiß bereits aus den Effekttests, dass diese Variable (Cell Lot) einen wesentlichen Beitrag zum Output leistet.
Bitte verzeihen Sie die naive Frage.
Re: Praktische Erklärung von ParameterschätzungenDie meisten Plattformen bieten die erweiterten Schätzungen an, aber anscheinend nicht für Ihre Situation. Vielleicht funktioniert ein Trick, um Ihnen das zu besorgen, was Sie brauchen.
Angenommen, Ihre kategoriale Variable hat die Ebenen A, B und C. Wenn Sie Ihr Modell anpassen, sehen Sie die Schätzung und Tests für Level C nicht, aber Sie haben Tests für A und B. Fügen Sie Ihrer kategorialen Variablen nun eine Wertordnungseigenschaft hinzu. Ändern Sie es beliebig, solange C NICHT das letzte Element in der Liste ist. Zum Beispiel werde ich C, A und B vorschlagen. Rüsten Sie jetzt Ihr Modell um. Sie sollten Tests für C und A sehen, aber nicht für B.
Hoffentlich funktioniert diese Problemumgehung in Ihrer Situation tatsächlich. In jedem Fall sollten Sie in der JMP-Wunschliste nach diesem Verbesserungsvorschlag suchen und dafür stimmen. Wenn der Vorschlag nicht vorhanden ist, fügen Sie ihn bitte hinzu!
Re: Praktische Erklärung von ParameterschätzungenBitte ignorieren Sie die vorherige Antwort, da sie falsch war. Ich dachte an eine andere Plattform, die über das Dialogfeld "Modell anpassen" gestartet wird.
Re: Praktische Erklärung von ParameterschätzungenTut mir leid, dass ich einen alten Thread hervorstoße, aber dies ist die einzige Erklärung, die ich irgendwo gesehen habe, warum JMP dies standardmäßig tut.
Das Weglassen des N-ten Parameters, weil es möglich ist, die Schätzung aus den vorangehenden zu berechnen, erscheint kurzsichtig. Ich arbeite an einer Tobit-Regression mit parametrischem Überleben und das Ausgabefenster lässt keine "erweiterten Schätzungen" zu. Wie Sie sagen, kann ich die Schätzung gut berechnen, aber ich kann SE, T Ratio oder Prob > |T| nicht schätzen Hier entlang. Diese Metriken haben einen Wert, sonst würden sie überhaupt nicht gemeldet, und dennoch habe ich keine Möglichkeit, JMP dazu zu bringen, sie in dieser Situation für mich zu berechnen.
Re: Praktische Erklärung von ParameterschätzungenVielen Dank!
Re: Praktische Erklärung von ParameterschätzungenJa, Tukeys Methode der Mehrfachvergleiche wäre der beste Weg, um alle Lose miteinander zu vergleichen. Verwenden Sie nicht die Student-t-Methode, da sie die Anzahl der Vergleiche nicht anpasst, sodass Ihre Fehlerquote 1. Art über alle Vergleiche hinweg stark ansteigen wird.
Ja, Sie können die verwenden p -Werte wie gewohnt mit entsprechender Anpassung.
Re: Praktische Erklärung von ParameterschätzungenVielen Dank für deine ausführliche Antwort Markus.
Als Nachverfolgung, ob ich untersuchen wollte, ob sich die Zellchargen Nr. 1, 2 und 3 bei Verwendung dieses Modells signifikant voneinander unterschieden. Wäre die Auswahl mehrerer Vergleiche und dann Tukey oder Student's T (je nachdem, was angemessen ist) die geeignete Methode? Wenn ich dies tue, sehe ich eine Tabelle mit allen paarweisen Unterschieden mit 3 Vergleichen zwischen jeder möglichen Kombination aus zwei Kategorien (1 & 2, 1 & 3, 2 & 3). Würden in diesem Fall p-Werte kleiner als Alpha einen signifikanten Unterschied zwischen diesen beiden Gruppen anzeigen?
Re: Praktische Erklärung von ParameterschätzungenDu hast Recht. Das Wirkungstest basiert auf der Typ III Summe der Quadrate verbunden mit dem Hinzufügen eines Terms zum Modell. Es ist der F Prüfung. Du hast ein F Test für jeden Begriff. Dieser Test ist nützlich für die Modellreduktion und Rückschlüsse auf Faktoreffekte.
Andererseits ist die Parameterschätzungen berichtet die t Test, weil er die Schätzung mit dem Wert der Nullhypothese vergleicht, die besagt, dass der Parameter Null ist. (Sie können mit a gegen andere Nullhypothesen testen t testen, aber JMP stellt einen solchen Test nicht zur Verfügung. Zu diesem Zweck gibt es ein Skript.) Sie haben eines t Test für jede Schätzung.
Wenn Sie die Ergebnisse für das letzte Level sehen möchten, klicken Sie auf das rote Dreieck oben neben Fit Least Squares und wählen Sie aus Schätzungen > Erweiterte Schätzungen . (JMP meldet standardmäßig nicht die letzte Stufe, da die Schätzung des letzten Parameters muss sein gleich dem Negativwert der Summe der anderen Parameterschätzungen. Sie können erweiterte Schätzungen in den Plattformeinstellungen aktivieren, wenn Sie möchten.)
Die Interpretation dieser Tests ist auf einen unabhängigen Test gegen 0 beschränkt. Ihr Beispiel kommt zu dem Schluss, dass die Schätzungen für Ebene 1 und Ebene 2 von Null abweichen. Das ist alles, was Sie sagen können. Diese Tests vergleichen diese Stufen nicht mit der letzten Stufe. Sie könnten eine zusätzliche verwenden Kontrast für diesen Zweck.
Sie müssen sich bei all diesen Tests auch Sorgen über das Problem der Mehrfachvergleiche machen, dass die Fehlerrate 1. Art überhöht ist.
