当删除统计上不显着的交互作用时，拟合模型 pValues 会发生变化，为什么？JMP 版本 17
我对拟合模型 pValue 有疑问。
当你把交互放入拟合模型中，然后进行“逐步”个性化时。 您可以使用 pValue 阈值删除无关的交互作用。 见下文：
在这里，我设置了回归来删除 P 值大于 0.1 的任何交互作用。然而，当我去制作具有“标准最小二乘”特性和“效果杠杆”强调的模型时，对于我刚刚在回归控制中看到的相同交互作用，我得到的 P 值高于 0.1。 为什么？ 见下文：
此外，当您删除最差的交互作用（基于最高 pValue）时，其他一些交互作用会获得更好的 pValues - 达到具有统计显着性的程度，而在删除之前，它们并非如此。 我假设删除的交互确实有一些效果，然后该效果必须重新分配给其他变量，但我不明白为什么它会产生如此大的差异，也不明白到底发生了什么。 参见下文（是的，匹配的颜色表示两个“效果摘要”图像中相同的交互）。
我是一名化学家，我只有最基本的统计学知识。 所以，对于有经验的用户来说，这可能是一个足够简单的答案，但我觉得我对这些模型是盲目的。 您什么时候真正知道您的模型是好的？ 您什么时候知道删除某些变量？ 纯粹根据统计数据消除某些交互作用背后的原因是什么？
任何帮助，将不胜感激。 谢谢。
基础数据分析和建模回复：当删除统计上不显着的交互作用时，拟合模型 pValues 会发生变化，为什么？简单的答案是每个模型和后续的显着性值都取决于模型中的项。更改模型中的项，统计数据可能会发生变化。现在，对于您的情况，我没有任何背景（例如，这是观察数据还是来自设计的实验？）。如果您使用的是观察数据（不是来自抽样计划），则可能存在其他问题。您测试过多重共线性吗？（如果右键单击参数估计表，可以选择 VIF 来查看此问题。）我对模型构建的建议是从 SME 开始。支持模型中的项的假设是什么？设计抽样计划/DOE 以深入了解这些假设。计划迭代。我从不仅仅依赖一项统计数据来确定适当的模型效应（例如，p 值）。您需要评估模型的多个元素（例如，R 方-R 方调整增量、RMSE、残差），并且永远不要关闭工程/科学。
