當刪除統計上不顯著的交互作用時，擬合模型 pValues 會發生變化，為什麼？JMP 版本 17
我對擬合模型 pValue 有疑問。
當你把交互放入擬合模型中，然後進行“逐步”個性化時。 您可以使用 pValue 閾值刪除無關的交互作用。 見下文：
在這裡，我設置了回歸來刪除 P 值大於 0.1 的任何交互作用。然而，當我去製作具有“標準最小二乘”特性和“效果槓桿”強調的模型時，對於我剛剛在回歸控制中看到的相同交互作用，我得到的 P 值高於 0.1。 為什麼？ 見下文：
此外，當您刪除最差的交互作用（基於最高 pValue）時，其他一些交互作用會獲得更好的 pValues - 達到具有統計顯著性的程度，而在刪除之前，它們並非如此。 我假設刪除的交互確實有一些效果，然後該效果必須重新分配給其他變量，但我不明白為什麼它會產生如此大的差異，也不明白到底發生了什麼。 參見下文（是的，匹配的顏色表示兩個“效果摘要”圖像中相同的交互）。
我是一名化學家，我只有最基本的統計學知識。 所以，對於有經驗的用戶來說，這可能是一個足夠簡單的答案，但我覺得我對這些模型是盲目的。 您什麼時候真正知道您的模型是好的？ 您什麼時候知道刪除某些變量？ 純粹根據統計數據消除某些交互作用背後的原因是什麼？
任何幫助，將不勝感激。 謝謝。
基礎數據分析和建模回复：當刪除統計上不顯著的交互作用時，擬合模型 pValues 會發生變化，為什麼？簡單的答案是每個模型和後續的顯著性值都取決於模型中的項。更改模型中的項，統計數據可能會發生變化。現在，對於您的情況，我沒有任何背景（例如，這是觀察數據還是來自設計的實驗？）。如果您使用的是觀察數據（不是來自抽樣計劃），則可能存在其他問題。您測試過多重共線性嗎？（如果右鍵單擊參數估計表，可以選擇 VIF 來查看此問題。）我對模型構建的建議是從 SME 開始。支持模型中的項的假設是什麼？設計抽樣計劃/DOE 以深入了解這些假設。計劃迭代。我從不僅僅依賴一項統計數據來確定適當的模型效應（例如，p 值）。您需要評估模型的多個元素（例如，R 平方-R 平方調整增量、RMSE、殘差），並且永遠不要關閉工程/科學。
