JMP バージョン 17
近似モデルの pValue について質問があります。
インタラクションをフィットモデルに組み込み、「段階的」パーソナリティを実行する場合。 pValue しきい値を使用して、無関係な相互作用を削除できます。 下記参照：
ここでは、Pvalue が 0.1 を超える交互作用を削除するように回帰を設定しています。ただし、「標準最小二乗」特性と「効果レバレッジ」強調を使用してモデルを作成すると、回帰制御で確認したのと同じ交互作用で 0.1 を超える P 値が得られます。 なぜ？ 下記参照：
さらに、最悪の相互作用 (最高の pValue に基づいて) を削除すると、他の相互作用の一部の pValue が向上し、削除前は統計的に有意ではなかったのに、統計的に有意になるまでに改善されます。 削除されたインタラクションには、いくつかの効果とその効果を他の変数に再配分する必要がありますが、なぜこれほど大きな違いが生じるのか、実際に何が起こっているのかがわかりません。 以下を参照してください (はい、2 つの「効果の概要」画像で一致する色は同じ相互作用を示しています)。
私は化学者ですが、統計に関する最も基本的な知識しか持っていません。 したがって、これは経験豊富なユーザーにとっては十分に単純な答えかもしれませんが、私はこれらのモデルについて盲目的に走っているように感じます。 モデルが優れていると実際にわかるのはどの時点ですか? 特定の変数を削除する必要があるのはいつですか? 純粋に統計に基づいて、特定のインタラクションを他のインタラクションよりも削除する背後にある理由は何ですか?
助けていただければ幸いです。 ありがとう。
簡単な答えは、すべてのモデルであり、その後の重要度の値はモデル内の項に依存します。モデル内の項を変更すると、統計が変わる可能性があります。さて、あなたの状況については、コンテキストがありません（たとえば、これは観察データですか、それとも計画された実験からのものですか？）。(サンプリング計画からではなく) 観測データを使用している場合は、他の問題が発生する可能性があります。多重共線性をテストしましたか?(パラメーター推定テーブルを右クリックすると、VIF を選択してこの問題を確認できます。) モデル構築に関する私のアドバイスは、SME から始めることです。モデル内の項の存在を裏付ける仮説は何ですか?これらの仮説についての洞察を得るために、サンプリング計画/DOE を設計します。繰り返しを計画します。私は、適切なモデル効果 (p 値など) を決定するために 1 つの統計量だけに依存することはありません。モデルの複数の要素 (R 2 乗-R 2 乗調整デルタ、RMSE、残差など) を評価する必要があり、エンジニアリング/サイエンスを決してオフにしないでください。
