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.
Die einfache Antwort lautet: Jedes Modell und die nachfolgenden Signifikanzwerte hängen von den Termen im Modell ab.Wenn Sie die Bedingungen im Modell ändern, werden sich wahrscheinlich auch die Statistiken ändern.Was Ihre Situation angeht, habe ich keinen Kontext (z. B. Handelt es sich um Beobachtungsdaten oder um ein geplantes Experiment?).Wenn Sie Beobachtungsdaten verwenden (nicht aus einem Probenahmeplan), können andere Probleme auftreten.Haben Sie Multikollinearität getestet?(Wenn Sie mit der rechten Maustaste auf die Parameterschätzungstabelle klicken, können Sie VIF auswählen, um einen Blick auf dieses Problem zu werfen.) Mein Rat für die Modellbildung ist, mit dem KMU zu beginnen.Welche Hypothesen unterstützen die Verwendung von Begriffen im Modell?Entwerfen Sie Stichprobenpläne/DOE, um Einblicke in diese Hypothesen zu erhalten.Planen Sie eine Iteration.Ich verlasse mich nie ausschließlich auf eine Statistik, um geeignete Modelleffekte (z. B. p-Werte) zu bestimmen.Sie müssen mehrere Elemente des Modells bewerten (z. B. R-Quadrat-R-Quadrat-bereinigtes Delta, RMSE, Residuen) und dürfen Technik/Wissenschaft niemals ausschalten.
