JMP versión 17
Tengo una pregunta sobre los pValues del modelo de ajuste.
Cuando coloca interacciones en el modelo de ajuste y luego realiza la personalidad "paso a paso". Puede eliminar interacciones superfluas utilizando el umbral pValue. Vea abajo:
Aquí tengo el conjunto de regresión para eliminar cualquier interacción que tenga un valor P superior a 0,1. Sin embargo, cuando voy a hacer el modelo con personalidad de "mínimos cuadrados estándar" y énfasis de "Efecto de apalancamiento", obtengo valores P superiores a 0.1 para las mismas interacciones que acabo de ver en el control de regresión. ¿Por qué? Vea abajo:
Además, cuando elimina la peor de las interacciones (según el valor de p más alto), algunas de las otras interacciones obtienen mejores valores de p, hasta el punto de volverse estadísticamente significativas, cuando antes de la eliminación no lo eran. Supongo que las interacciones eliminadas tienen alguno efecto y ese efecto debe luego ser redistribuido a las otras variables, pero no entiendo por qué hace una diferencia tan grande o lo que realmente está pasando. Vea a continuación (sí, los colores coincidentes indican las mismas interacciones en las dos imágenes de "resumen de efectos").
Soy químico y solo tengo los conocimientos más básicos de estadística. Entonces, esta puede ser una respuesta bastante simple para un usuario experimentado, pero siento que estoy a ciegas con estos modelos. ¿En qué momento sabes realmente que tu modelo es bueno? ¿Cuándo sabes eliminar ciertas variables? ¿Cuál es el razonamiento detrás de la eliminación de ciertas interacciones sobre otras, basándose únicamente en las estadísticas?
Cualquier ayuda sería apreciada. Gracias.
La respuesta simple es que todos los modelos y los valores de significación subsiguientes dependen de los términos del modelo.Cambie los términos en el modelo y las estadísticas probablemente cambiarán.Ahora, para su situación, no tengo ningún contexto (por ejemplo, ¿son estos datos de observación o de un experimento diseñado?).Si está utilizando datos de observación (no de un plan de muestreo), entonces puede haber otros problemas.¿Has probado la multicolinealidad?(Si hace clic con el botón derecho en la tabla de estimaciones de parámetros, puede seleccionar VIF para ver este problema). Mi consejo para la construcción de modelos es comenzar con la PYME.¿Cuáles son las hipótesis que respaldan la presencia de términos en el modelo?Diseñe planes de muestreo/DOE para obtener información sobre esas hipótesis.Planea iterar.Nunca confío únicamente en una estadística para determinar los efectos del modelo apropiados (p. ej., valores p).Debe evaluar múltiples elementos del modelo (p. ej., delta ajustado R-cuadrado-R-cuadrado, RMSE, residuos) y nunca apagar la ingeniería/ciencia.
