JMP versione 17
Ho una domanda sul modello fit pValues.
Quando metti le interazioni nel modello di adattamento e poi esegui la personalità "graduale". Puoi rimuovere le interazioni estranee utilizzando la soglia pValue. Vedi sotto:
Qui ho impostato la regressione per rimuovere qualsiasi interazione con un valore P superiore a 0,1. Tuttavia, quando vado a creare il modello con la personalità dei "minimi quadrati standard" e l'enfasi sulla "leva degli effetti", ottengo valori P superiori a 0,1 per le stesse interazioni che ho appena visto nel controllo di regressione. Perché? Vedi sotto:
Inoltre, quando rimuovi la peggiore delle interazioni (basata sul pValue più alto), alcune delle altre interazioni ottengono pValues migliori, al punto da diventare statisticamente significative, mentre prima dell'eliminazione non lo erano. Presumo che le interazioni rimosse abbiano Alcuni effetto e quell'effetto deve quindi essere ridistribuito alle altre variabili, ma non capisco perché faccia una differenza così grande o cosa stia realmente accadendo. Vedi sotto (sì, i colori corrispondenti indicano le stesse interazioni nelle due immagini di "riepilogo effetti").
Sono un chimico e ho solo le conoscenze di base della statistica. Quindi, questa potrebbe essere una risposta abbastanza semplice per un utente esperto, ma mi sento come se stessi correndo alla cieca con questi modelli. A che punto sai effettivamente che il tuo modello è buono? Quando sai di rimuovere determinate variabili? Qual è il ragionamento alla base della rimozione di determinate interazioni rispetto ad altre, basandosi esclusivamente sulle statistiche?
Qualsiasi aiuto sarebbe apprezzato. Grazie.
La semplice risposta è ogni modello e i successivi valori di significatività dipendono dai termini nel modello.Cambia i termini nel modello e le statistiche probabilmente cambieranno.Ora per la tua situazione, non ho alcun contesto (ad esempio, si tratta di dati osservativi o provengono da un esperimento progettato?).Se si utilizzano dati osservativi (non da un piano di campionamento), potrebbero esserci altri problemi.Hai testato la multicollinearità?(Se fai clic con il pulsante destro del mouse sulla tabella delle stime dei parametri, puoi selezionare VIF per dare un'occhiata a questo problema.) Il mio consiglio per la costruzione di modelli è di iniziare con la PMI.Quali sono le ipotesi che supportano i termini presenti nel modello?Progettare piani di campionamento/DOE per ottenere informazioni su tali ipotesi.Pianifica l'iterazione.Non mi affido mai esclusivamente a una statistica per determinare gli effetti del modello appropriati (ad esempio, i valori p).È necessario valutare più elementi del modello (ad esempio, delta aggiustato R-quadrato-R-quadrato, RMSE, Residui) e non disattivare mai l'ingegneria/la scienza.
