Praktische Erklärung von ParameterschätzungenIch arbeite mit der Fit Model Platform mit einer kontinuierlichen Ausgabevariablen und mehreren nominalen Eingabevariablen.
Ich verstehe, dass der T-Wert in der Parameterschätzungstabelle dazu dient, zu testen, ob die Schätzung gleich Null ist oder nicht. Was ist im praktischen Sinne die Schlussfolgerung, wenn ich eine Variable (Cell Lot) mit drei Kategorien (1, 2 und 3) habe und die beiden in der Parameterschätzungstabelle aufgeführten (1 und 2) kleiner als das Alpha von 0,05 sind? das kann man machen? Unterscheiden sich 1 und 2 deutlich von 3?
Aus den Effekttests weiß ich bereits, dass diese Variable (Cell Lot) einen wesentlichen Beitrag zur Ausgabe leistet.
Bitte verzeihen Sie die naive Frage.
Betreff: Praktische Erklärung von ParameterschätzungenDie meisten Plattformen bieten die erweiterten Schätzungen an, aber offenbar nicht für Ihre Situation. Vielleicht funktioniert ein Trick, um das zu bekommen, was Sie brauchen.
Angenommen, Ihre kategoriale Variable hat die Ebenen A, B und C. Wenn Sie Ihr Modell anpassen, werden die Schätzung und Tests für Stufe C nicht angezeigt, dafür aber Tests für A und B. Fügen Sie nun Ihrer kategorialen Variablen eine Value Ordering-Eigenschaft hinzu. Ändern Sie es nach Ihren Wünschen, solange C NICHT das letzte Element in der Liste ist. Ich werde zum Beispiel C, A und B vorschlagen. Rüsten Sie nun Ihr Modell um. Sie sollten Tests für C und A sehen, aber nicht für B.
Hoffentlich funktioniert dieser Workaround 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!
Betreff: Praktische Erklärung von ParameterschätzungenBitte ignorieren Sie die vorherige Antwort, da diese falsch war. Ich habe an eine andere Plattform gedacht, die über das Dialogfeld „Modell anpassen“ gestartet wird.
Betreff: Praktische Erklärung von ParameterschätzungenTut mir leid, dass ich einen alten Thread anstoße, aber das 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 vorherigen 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-Verhältnis oder Prob > |T| nicht schätzen Hier entlang. Diese Kennzahlen haben einen Wert, sonst würden sie überhaupt nicht gemeldet, und dennoch habe ich in dieser Situation keine Möglichkeit, JMP dazu zu bringen, sie für mich zu berechnen.
Betreff: Praktische Erklärung von ParameterschätzungenVielen Dank!
Betreff: Praktische Erklärung von ParameterschätzungenJa, Tukeys Methode der Mehrfachvergleiche wäre die beste Möglichkeit, alle Lose zueinander zu vergleichen. Verwenden Sie nicht die Student-t-Methode, da sie sich nicht an die Anzahl der Vergleiche anpasst, sodass Ihre Fehlerquote vom Typ I bei allen Vergleichen stark ansteigt.
Ja, Sie können das verwenden P -Werte wie gewohnt mit entsprechender Anpassung.
Betreff: Praktische Erklärung von ParameterschätzungenVielen Dank für deine ausführliche Antwort, Mark.
Als Folgemaßnahme möchte ich mit diesem Modell untersuchen, ob sich die Zellchargen Nr. 1, 2 und 3 deutlich voneinander unterscheiden. Wäre die Auswahl mehrerer Vergleiche und dann Tukey oder Student's T (je nachdem, was angemessen ist) die geeignete Methode? Wenn ich das mache, sehe ich eine Tabelle mit allen paarweisen Differenzen mit drei Vergleichen zwischen jeder möglichen Kombination aus zwei Kategorien (1&2, 1&3, 2&3). Würden in diesem Fall p-Werte kleiner als Alpha auf einen signifikanten Unterschied zwischen diesen beiden Gruppen hinweisen?
Betreff: Praktische Erklärung von ParameterschätzungenDu hast Recht. Der Wirkungstest basiert auf der Quadratsumme vom Typ III verbunden mit dem Hinzufügen eines Begriffs zum Modell. Es ist der F prüfen. Du hast ein F Test für jeden Begriff. Dieser Test ist nützlich für die Modellreduktion und Rückschlüsse auf Faktoreffekte.
Andererseits ist die Parameterschätzungen berichtet das 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 Test, aber JMP bietet keinen solchen Test an. Zu diesem Zweck gibt es ein Skript. Sie haben eines T Testen Sie jede Schätzung.
Wenn Sie die Ergebnisse für die letzte Ebene sehen möchten, klicken Sie oben neben „Kleinste Quadrate anpassen“ auf das rote Dreieck und wählen Sie aus Schätzungen > Erweiterte Schätzungen . (JMP meldet standardmäßig nicht die letzte Ebene, da die Schätzung des letzten Parameters erfolgt muss sein gleich dem Negativ 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 gegenüber 0 beschränkt. Ihr Beispiel kommt zu dem Schluss, dass die Schätzungen für Level 1 und Level 2 von Null abweichen. Das ist alles, was Sie sagen können. Diese Tests vergleichen diese Ebenen nicht mit der letzten Ebene. Sie könnten ein zusätzliches verwenden Kontrast für diesen Zweck.
Sie müssen sich bei all diesen Tests auch über das Problem der überhöhten Typ-I-Fehlerrate bei Mehrfachvergleichen Gedanken machen.
