765772_it-IT

liliconcom

Significato statistico

Ciao,

Quindi ho adattato un modello di regressione. E uno dei predittori ha un valore P di 0,0538 per l'intero modello. Dovrei eliminare completamente questo predittore e utilizzare il modello ridotto per le previsioni o è giusto mantenerlo?

E qual è la terminologia per i valori P che è intorno a 0,05. Ho visto in alcune fonti web che un valore compreso tra 0,05 e 0,1 può essere definito marginalmente significativo. Questo termine ha senso quando si spiegano i modelli statistici. Per favore condividi le tue intuizioni.

grazie in anticipo

Jerry

Analisi e modellazione dei dati di baseProgettazione di esperimentiRi: Significatività statistica

Ecco il mio suggerimento se mantenere o meno l'effetto con un valore ap di 0,0538... provalo in entrambi i modi. Quindi rispondi alla domanda "Quale modello mi aiuta a risolvere il mio problema pratico?" E vai con quel modello. Ci sono stati numerosi articoli e discussioni sulla possibilità di lasciare i termini in un modello o di eliminarli. Alla fine dipende da te. Non esiste una soluzione unica valida per tutti a questa particolare domanda. Non c’è nulla di sacro o sacrosanto intorno a una soglia di significatività pari a 0,05. È semplicemente un valore che molte persone usano meccanicamente piuttosto che per qualsiasi altra ragione. Potresti selezionare altrettanto facilmente 0,01, 0,1 o qualsiasi altro valore. Per quanto riguarda la terminologia, non mi preoccupo... tutto quello che direi è qualcosa del tipo: "L'effetto x non è significativo con un valore ap di 0,05". e lasciamo le cose come stanno. La significatività non è un precipizio... e i valori p tendono a spingere il pensiero delle persone verso quella mentalità del precipizio.

Ri: Significatività statistica

Vorrei aggiungere un valido consiglio a P_Bartell. Non solo non c'è nulla di sacro in p=0,05, sconsiglierei qualsiasi valore di soglia senza fare una sorta di analisi decisionale. Se usi una soglia (e ti rendi conto che forse non è necessaria, di solito, consiglierei di costruire il modello e riportare i risultati, indipendentemente dai valori p) per prendere decisioni binarie (come mantenere o meno la variabile nel modello) , renditi conto che in ogni caso c'è qualche possibilità di errore. Dovresti pensare ai costi relativi degli errori prima di decidere quale limite utilizzare.

Oltre a ciò, i tagli sono generalmente una cattiva idea. Non consiglio di eliminare le variabili "insignificanti" dai modelli di regressione, mai. Le variabili presumibilmente erano lì per una ragione. Pensavi che dovessero avere importanza. Se i dati non sono sufficienti per rivelare la loro influenza, così sia. Lasciare cadere la variabile equivale a decidere che la variabile non ha alcuna influenza, qualcosa di cui non si hanno prove. Inoltre, tutte le altre variabili nel tuo modello vedranno modificati i loro coefficienti: sei pronto a dire che ora saranno più accurati di prima?

Nonostante l'uso diffuso di p=.05, dovresti controllare la controversia ASA sui valori p e alcune delle loro recenti dichiarazioni al riguardo. Alcune riviste psicologiche sono arrivate al punto di bandire i valori p. Molte riviste rifiuteranno comunque gli articoli che non hanno valori p <0,05. In mezzo a tanta confusione, ecco la mia opinione. Voglio conoscere il valore p: credo che sia un'indicazione di quanto sia forte il segnale relativo a quella variabile, nei dati che ho (nota che anche questa affermazione è suscettibile di notevoli critiche). Preferisco non vedere effettuate scelte binarie: cerco di non dire mai che la variabile X influenza o meno il risultato Y. È sempre una questione di incertezza e forza delle prove. Il valore p fa parte di tale prova e quando è alto ti dice qualcosa. Omettere una variabile a causa del suo valore p significa decidere qualcosa che non è basato sull’evidenza (equivale a dire che la variabile X non ha importanza). Se disponi di poche osservazioni relative al numero di fattori potenziali, puoi utilizzare lo Screening predittore per aiutarti a scegliere quali utilizzare, ma non puoi fare nulla per cambiare il fatto che i tuoi dati potrebbero non essere sufficienti per i modelli vorresti costruire.

Ri: Significatività statistica

Grazie per aver fatto eco esattamente ai miei sentimenti. Quando insegnavo test di ipotesi introducevo il concetto di valori p e significatività statistica con un piccolo esercizio con la mia classe. Tiravo fuori una moneta e dicevo agli studenti: "Faremo un piccolo test". Inizierò il test dicendoti che credo di avere una moneta giusta. Lancerò la moneta e ti dirò il risultato del sorteggio. Testa o croce. Voglio che tu scriva davanti a te il lancio con cui sei disposto a sfidare la mia convinzione di una moneta giusta.' Poi inizierei a lanciare la moneta... ogni volta dicendo agli studenti che era "testa", anche se non era testa. Il mio obiettivo era convincerli a determinare quando viene superata la "soglia di significatività" per loro e solo per loro. Di solito all'ottavo lancio o giù di lì, tutti hanno "rifiutato" la mia convinzione. Quindi inizio con questa serie di domande: "Dimmi, al lancio, eri finalmente convinto che la moneta fosse davvero non giusta, per alzata di mano". Un lancio? (Di solito nessuno alza la mano) Due lanci? (Raramente) Tre lanci? (Potrebbero averne alcuni) Quattro lanci? (Adesso ne ho molti) Cinque lanci? (Quasi tutti) Sei lanci (Solo poche resistenze) Poi abbiamo una conversazione su come la nozione di "significatività" dipende davvero dagli occhi di chi prende le decisioni... non un magico numero probabilistico. Dico loro che spero che ora abbiate imparato tutto quello che c'è da sapere sulla significatività statistica, su queste cose che chiameremo valori p e su come il processo decisionale viene effettivamente preso dalle persone... è un certo grado di convinzione... e che i miei amici non è un valore statistico.

Ri: Significatività statistica

Ciao @Mathej01 ,

Potrebbero interessarti le risposte fornite da altri membri di questa community su questo argomento strettamente correlato alla rimozione di termini da un modello a seguito di un esperimento progettato

Non c'è abbastanza contesto o informazioni per aiutarti, ma ecco alcune domande, osservazioni e considerazioni sulla valutazione, il confronto e la selezione del modello:

• Qual è la fonte dei dati e come sono stati raccolti i dati? Esperimenti progettati, set di dati storici, ...?
  A seconda della tua risposta, potresti avere più o meno fiducia nei valori p trovati. Per il set di dati storici, eseguirei la piattaforma di progettazione Evaluate (utilizzata per DoE) per valutare la potenza disponibile per i diversi termini nel modello presunto completo. Questo potrebbe darti indicazioni sulla "attendibilità" dei valori p trovati, e anche su quelli provenienti da termini non significativi (a causa della bassissima potenza a disposizione!).
  
  
• Qual è il tuo obiettivo con questo modello? Spiegazioni causali, previsione e ottimizzazione, entrambe (anche collegate al set di dati disponibile e al metodo di raccolta)?
  Quando si confrontano i modelli, la significatività statistica può essere una metrica interessante, ma non l'unica (aggiungi sempre esperienza nel settore!). Le metriche di stima e valutazione del modello complementare, come la probabilità logaritmica, i criteri di informazione (AICc, BIC) o le metriche del modello (potere esplicativo tramite R2 e R2 aggiustato, potere predittivo tramite MSE/RMSE/RASE, ...) offrono prospettive diverse e possono evidenziare modelli diversi.
  Puoi quindi selezionare in base all'esperienza del settore e alla valutazione statistica quale/i è/sono più appropriato/rilevante per il tuo argomento e scegliere di stimare previsioni individuali con i diversi modelli (per vedere come/dove differiscono) e/o o utilizzare un modello combinato per mediare gli errori di previsione.

In generale, evitate il “ culto della significatività statistica ” per diversi motivi:

1. Esistono altri parametri disponibili e complementari per aiutarti a confrontare e scegliere il/i modello/i più rilevante/i, e ci sono molte situazioni in cui i valori p potrebbero essere distorti e non dovrebbero essere ciecamente considerati attendibili (ad esempio con progetti di miscele e l'uso di modello senza intercetta).
2. Rimuovere un termine a causa di una soglia specifica può essere una pratica pericolosa. Nel tuo esempio, il predittore con un valore p di 0,0538 dovrebbe davvero essere scartato perché non ha raggiunto 0,05? Sembra troppo vicino per rifiutarlo, anche se superiore a 0,05 (e non metto nemmeno in discussione qui il valore di soglia specifico...). E a seconda della potenza di cui disponi per l'analisi dei predittori, questo potrebbe spiegare perché non hai raggiunto la soglia di significatività. Preferirei mantenere i termini non significativi nel mio modello piuttosto che scartare un possibile (ma non ancora rilevato) effetto significativo.
3. " Tutti i modelli sono sbagliati, ma alcuni sono utili " è una citazione adeguata quando si ha a che fare con più modelli possibili e si cerca di valutarne e selezionarne alcuni per rispondere a una domanda. Potrebbero esserci diversi modelli ugualmente "statisticamente buoni" nel tuo caso, quindi dovresti sempre utilizzare anche le competenze del settore per ordinare i modelli e aiutare la selezione. Puoi anche selezionare diversi modelli e mediarli/combinarli.
4. Non confondere il significato statistico con il significato pratico e utilizzali entrambi per scegliere i tuoi modelli: poiché vuoi che il tuo modello sia utile, dovresti anche considerare il significato pratico di questo predittore: quanto influenza sulla media della risposta (dimensione dell'effetto)? Se questo predittore ha una dimensione dell'effetto elevata, potrebbe essere più saggio mantenerlo nel modello.

Spero che questa risposta complementare ti possa aiutare,