JMP-Version 17
Ich habe eine Frage zum Fit-Modell pValues.
Wenn Sie Interaktionen in das Anpassungsmodell einfügen und dann die „stufenweise“ Persönlichkeit durchführen. Mithilfe des pValue-Schwellenwerts können Sie überflüssige Interaktionen entfernen. Siehe unten:
Hier habe ich die Regression so eingestellt, dass alle Interaktionen entfernt werden, die einen P-Wert von mehr als 0,1 haben. Wenn ich jedoch das Modell mit der „Standard-Persönlichkeit der kleinsten Quadrate“ und der Betonung „Effekthebel“ erstelle, erhalte ich P-Werte über 0,1 für dieselben Interaktionen, die ich gerade in der Regressionskontrolle gesehen habe. Warum? Siehe unten:
Wenn Sie außerdem die schlechtesten Interaktionen (basierend auf dem höchsten p-Wert) entfernen, erhalten einige der anderen Interaktionen bessere p-Werte – bis zu dem Punkt, dass sie statistisch signifikant werden, was vor der Löschung nicht der Fall war. Ich gehe davon aus, dass die entfernten Interaktionen dies getan haben manche Effekt und dieser Effekt muss dann auf die anderen Variablen umverteilt werden, aber ich verstehe nicht, warum das einen so großen Unterschied macht oder was wirklich vor sich geht. Siehe unten (ja, übereinstimmende Farben weisen auf die gleichen Wechselwirkungen in den beiden Bildern der „Effektzusammenfassung“ hin).
Ich bin Chemiker und verfüge nur über die grundlegendsten Kenntnisse der Statistik. Für einen erfahrenen Benutzer mag dies also eine einfache Antwort sein, aber ich habe das Gefühl, dass ich bei diesen Modellen blind bin. Ab wann wissen Sie eigentlich, dass Ihr Modell gut ist? Wann sollten Sie bestimmte Variablen entfernen? Was ist der Grund dafür, bestimmte Interaktionen gegenüber anderen zu streichen – rein auf der Grundlage der Statistiken?
Jede Hilfe wäre dankbar. Danke schön.
