JMP version 17
J'ai une question sur le modèle d'ajustement pValues.
Lorsque vous mettez des interactions dans le modèle d'ajustement, puis effectuez la personnalité "par étapes". Vous pouvez supprimer les interactions superflues à l'aide du seuil pValue. Voir ci-dessous:
Ici, j'ai le jeu de régression pour supprimer toute interaction qui a une Pvalue supérieure à 0,1. Cependant, lorsque je vais créer le modèle avec une personnalité "moins carrés standard" et une emphase "effet de levier", j'obtiens des valeurs P supérieures à 0,1 pour les mêmes interactions que je viens de voir dans le contrôle de régression. Pourquoi? Voir ci-dessous:
De plus, lorsque vous supprimez la pire des interactions (basée sur la pValue la plus élevée), certaines des autres interactions obtiennent de meilleures pValues - au point de devenir statistiquement significatives, alors qu'avant la suppression, elles ne l'étaient pas. Je suppose que les interactions supprimées ont quelques effet et cet effet doit ensuite être redistribué aux autres variables, mais je ne comprends pas pourquoi cela fait une si grande différence ou ce qui se passe réellement. Voir ci-dessous (oui, les couleurs assorties indiquent les mêmes interactions dans les deux images "résumé de l'effet").
Je suis chimiste et je n'ai que les connaissances les plus élémentaires en statistiques. Donc, cela peut être une réponse assez simple pour un utilisateur expérimenté, mais j'ai l'impression de devenir aveugle avec ces modèles. À quel moment savez-vous réellement que votre modèle est bon ? Quand savez-vous supprimer certaines variables ? Quel est le raisonnement derrière la suppression de certaines interactions par rapport à d'autres, uniquement sur la base des statistiques ?
Toute aide serait appréciée. Merci.
La réponse simple est que chaque modèle et les valeurs de signification ultérieures dépendent des termes du modèle.Changez les termes du modèle et les statistiques changeront probablement.Maintenant, pour votre situation, je n'ai aucun contexte (par exemple, s'agit-il de données d'observation ou s'agit-il d'une expérience conçue ?).Si vous utilisez des données d'observation (et non d'un plan d'échantillonnage), il peut y avoir d'autres problèmes.As-tu testé la multicolinéarité ?(Si vous faites un clic droit sur le tableau des estimations des paramètres, vous pouvez sélectionner VIF pour jeter un coup d'œil à ce problème.) Mon conseil pour la construction de modèles est de commencer par le SME.Quelles sont les hypothèses qui soutiennent la présence de termes dans le modèle ?Concevez des plans d'échantillonnage/DOE pour avoir un aperçu de ces hypothèses.Prévoyez des itérations.Je ne me fie jamais uniquement à une statistique pour déterminer les effets de modèle appropriés (par exemple, les valeurs de p).Vous devez évaluer plusieurs éléments du modèle (par exemple, delta ajusté R-carré-R-carré, RMSE, résidus) et ne jamais désactiver l'ingénierie/la science.
