重要でないパラメータの予測プロファイラ信頼区間を解釈するこんにちは、みんな、
唐突な質問で申し訳ありません。
例として、X1、X2、X3 という 3 つのパラメータを持つ中心複合設計の結果に応答曲面モデル (主効果、相互作用、および二次効果を含む glm) を当てはめています。パラメータ推定値を見ると、アルファ リスクが 5% のときに、有意なものと有意でないものがあります。私の質問は、主効果、相互作用、二次効果のいずれも有意でないパラメータ (たとえば X3) に関するものです。
予測プロファイラーは、すべてのパラメーター X1、X2、X3 (指定された場所) を考慮して、設計空間で予測される Y 値の範囲を示すので、これを分析することに興味があります。
X3 推定値はいずれも有意ではなかったため、推定値を解釈するつもりはありません (ランダムな変動のため、いかなる解釈も信頼できないこと、また変数が何らかの効果を持つという決定的な証拠がないことは適切に表現されていますが)。
私の質問は次のとおりです。このパラメーター X3 の予測プロファイラーの信頼区間を解釈することにはまだ意味がありますか? 推定値のいずれも有意でない場合でも、この信頼区間は何らかの形で信頼できるのでしょうか?
ご協力をよろしくお願いいたします。
クリス
データの探索と視覚化Re: 有意でないパラメーターの予測プロファイラーの信頼区間を解釈するその信頼区間を見るのは理にかなっていると思います。非有意性は、水平 (効果なし) 線を含む X3 の信頼区間によって示されます。しかし、間隔は、データと一致する効果の潜在的な範囲に関する追加情報を伝えます。X3 は重要ではないかもしれませんが、大きな影響を与える可能性があります。その影響の方向性について自信を持って言うことはできません.ただし、信頼区間が広い場合は、それがノイズの多い効果であり、さらに調査する必要がある可能性があることを示します (たとえば、より多くのデータを収集します)。重要/非重要の二者択一は特に有用ではありません (ほとんど役に立たず、潜在的に非常に危険であると言えます)。一部の効果は他の効果よりもランダム ノイズと区別しやすく、一部の効果は他の効果よりも応答変数との関係が強くなります。これらは異なる質問です。
Re: 有意でないパラメーターの予測プロファイラーの信頼区間を解釈するコミュニティへようこそ。 最初の質問は、応答の実際の変化が X3 にどの程度関連しているかということです。 統計的有意性の前に、常に実際の有意性を評価する必要があります。 応答変数は意味のある方法で変化しましたか? これは SME が解釈する必要があります。
余談ですが、通常、応答曲面タイプの計画は、因子の有意性がスクリーニングまたはその他の逐次計画によって決定された後に使用されます。 これらのタイプの計画は、事前に決定された重要な要因のレベルを選択するためのサーフェスを作成することを目的としています。
2 つ目の注意点として、統計的有意性は条件付きステートメントです。 1. 指定されたレベルで要因を操作することによって作成された変動と、2. 一連の条件 (推論空間) の下でのランダム エラー (ノイズ) との間の比較があります。 これら 3 つの要素のいずれかが (つまり、将来的に) 変化すると、統計的有意性が変化する可能性があります。
Re: 有意でないパラメーターの予測プロファイラーの信頼区間を解釈するこれに関する1つの質問/コメント:最初のポイントは、モデルに統計的に有意な要因を含める(したがって、他の要因を除外する)ための最初のスクリーニングを示唆しているようです。実際、私自身もそのように仕事をすることがよくあります。しかし、そうすると不快になります。重要でないために要因を省略すると、モデルが単純化されます (そして自由度が維持されます) が、モデルに残っているものの影響を変えるリスクがあります。重要でない要因がモデルから削除された場合、残りの要因がより正確に評価されていると主張するのは困難です。
その結果、データセットがますます大きくなるにつれて、モデルにすべての潜在的な要因を残すという慣行をますます採用するようになりました (可能な限り、潜在的な要因が意味をなすものについての主題知識によってある程度管理されることを願っています)。か否か。この問題についてコメントいただけますか？
Re: 有意でないパラメーターの予測プロファイラーの信頼区間を解釈するデール、これが私の考えです。 申し訳ありませんが、ほとんどが哲学的です。 すべての科学的調査は反復的です (それが継続的改善と呼ばれる理由だと思います)。 なぜ私たちは常に「最適化」していて、決して「そこに到達」していないように見えるのですか? 私見ですが、主な理由は 2 つあります。
1. ALL から始めることはありません。 私たちは常にいくつかの要因のサブセットから始めます。おそらく、すでにいくつかの仮説を立てているものです。 そして、私たちが強く感じていないものについてはどうでしょうか。これらをサポートするデータを取得することはめったにありません。 それは典型的な人間の偏見です。
2. 世界は進化します。 新しい材料と技術が絶えず開発されています (およびそれらのアプリケーション)。
を求めて一番管理しやすい (例: シンプルな) プロセスでは、帰納法と演繹法を一定に繰り返します。 このパスに沿って、モデルの有効性と効率を比較検討して決定を下します。 最終的に、私たちは因果関係を理解しようとしています。 私たちは自由に使える方法を使用して、将来の研究にどの要因を含めるべきか、どの順序モデルが必要かを判断しようとします。 これには、実際の評価と統計的評価の両方が含まれます。 統計的有意性の使用には細心の注意を払っています。これは比較であり、何を比較しているのかを理解していなければ意味がありません。 一方、何を比較するか (例えば、何がデザインスペースを作成し、何が推論スペースを作成するか) について何らかの考えを持っていて、例えば、それらの変動の原因が将来の状況を表していることがわかっている場合は、すべては、その分析に自信を持つことができることを意味します。 最後に、私たちは多変量の世界に生きていることを認識しており (たとえば、顧客は製品が複数の基準を満たすことを望んでいます)、目標を達成するためには妥協しなければならない可能性があります。一番現在の状況下で。
