解释非显著参数的预测刻画器置信区间大家好，
请原谅我提出这个愚蠢的问题。
为了举例说明，我正在对中心复合设计的结果拟合响应曲面模型（glm，包括主效应、相互作用和二次效应），该设计有三个参数，分别标记为 X1、X2 和 X3。查看参数估计值时，有些参数显著，有些则不显著，alpha 风险为 5%。我的问题与参数有关，比如 X3，其中主效应、相互作用和二次效应都不显著。
我对分析预测分析器很感兴趣，因为它考虑到所有参数 X1、X2 和 X3（在给定位置），为我提供了设计空间中预测的 Y 值范围的指示。
由于 X3 估计值均不显著，我不愿意解释这些估计值（尽管可以恰当地表达，由于随机变化，任何解释都是不可靠的，并且没有确凿的证据表明该变量有任何影响）。
那么我的问题是：解释预测分析器针对此参数 X3 的置信区间是否仍然有意义？即使所有估计值都不显著，这个置信区间是否可靠？
非常感谢您的帮助，
克里斯
数据探索与可视化回复：解释非重要参数的预测刻画器置信区间我会说查看该置信区间是有意义的。不显着性由 X3 的置信区间显示，包括水平（无效果）线。但是间隔传达了额外的信息——关于与数据一致的影响的潜在范围。X3 可能并不显着，但可能会产生很大的影响——只是你不能自信地说出这种影响的方向。但是，宽的置信区间表明它是一种噪声效应，可能值得进一步研究（例如，收集更多数据）。重要性/非重要性的二元选择并不是特别有用（我会说它用处不大，而且可能有很大的危险）。有些效应比其他效应更容易与随机噪声区分开来，有些效应与您的响应变量的关系比其他效应更强。这些是不同的问题。
回复：解释非重要参数的预测刻画器置信区间欢迎来到社区。 第一个问题是响应中有多少实际变化与 X3 相关？ 您应该始终在统计显着性之前评估实际显着性。 响应变量是否以有意义的方式发生了变化？ SME 必须对此进行解释。
附带说明一下，通常在通过筛选或其他顺序设计确定因素的重要性之后使用响应曲面类型设计。 这些类型的设计旨在创建一个表面来为那些预先确定的重要因素选择水平。
第二个注意事项，统计显着性是一个条件语句。 1. 在特定水平上通过操纵因素产生的变化与 3. 一组条件（推理空间）下的 2. 随机误差（噪声）进行了比较。 如果这 3 个组成部分中的任何一个发生变化（即在未来），那么统计意义可能也会发生变化。
回复：解释非重要参数的预测刻画器置信区间关于此的一个问题/评论：您的第一点似乎建议进行初步筛选，以在您的模型中包含具有统计意义的因素（并因此排除其他因素）。事实上，我自己也经常那样工作。但是当我这样做时，它会让我感到不适。由于不显着而省略因素确实简化了模型（并保留了自由度），但有可能改变模型中剩余因素的影响。当从模型中删除无关紧要的因素时，很难说剩余因素得到了更准确的评估。
结果，随着数据集变得越来越大，我越来越多地采用在模型中保留所有潜在因素（在可能的范围内，并希望在某种程度上受关于潜在因素有意义的主题知识的支配）的做法，这很重要或不。你能评论一下这个问题吗？
回复：解释非重要参数的预测刻画器置信区间戴尔，这是我的想法。 我道歉，但主要是哲学的。 所有的科学研究都是迭代的（我想这就是我们称之为持续改进的原因）。 为什么我们不断地“优化”却似乎永远“达不到目标”？ 恕我直言，有两个主要原因：
1. 我们从不从所有开始。 我们总是从一些因素子集开始，可能是我们已经有一些假设的因素。 而那些我们感觉不强烈的呢，我们很少得到数据来支持这些没有效果。 这是典型的人类偏见。
2. 世界在进化。 不断开发新材料和技术（以及它们的应用）。
在寻找最好的可管理的（例如，简单的）过程，我们使用归纳演绎的不断迭代。 沿着这条路径，我们做出权衡模型有效性和效率的决策。 最终，我们试图了解因果关系。 我们使用我们掌握的方法来尝试确定哪些因素应该包括在我们未来的研究中，以及什么样的订单模型是必要的。 这包括实际评估和统计评估。 我非常谨慎地使用统计显着性，因为它是一种比较，如果你不明白你在比较什么，它就没有意义。 另一方面，如果您确实对所比较的内容有所了解（例如，什么创建了设计空间以及什么创建了推理空间），例如，您知道这些变化来源代表了未来的条件，那么通过所有这些都意味着您可以对该分析充满信心。 最后，我们认识到我们生活在一个多元的世界中（例如，客户希望产品满足多个标准）并且可能必须做出妥协才能实现最好的在目前的情况下。
