回帰モデルの理解多重回帰分析で、p 値が高い (有意ではない) 変数がありますが、推定検出力は低いです。これは、変数を除外するためにさらにデータが必要であることを意味しますか?
高度な統計モデリング基本的なデータ分析とモデリング回帰モデルの理解遡及的な検出力分析 (ここ) はダメです。スクリーニング実験の場合、許容できる見込み検出力で研究を設計し、その結果を受け入れるのが最善の策です。この要素は除外されています。
回帰モデルの理解こんにちは、マークさん
これについてもう少し説明していただけますか? この特定のケースでは、データが設計されていないため、検出力分析は実行されませんでした。
ご協力ありがとうございました！
回帰モデルの理解データ セットを使用して設計を開始できます。まず、予想される DOE 列プロパティを追加する必要があります。Y 列に応答制限プロパティを追加します。連続 X 因子にコーディング プロパティを追加します。すべての X 因子に適切な設計ロールと因子変更プロパティを追加します。
DOE > Augment Design を選択し、データ列を正しい役割にキャストして、[OK] をクリックします。この時点で、必要と思われる場合は因子の範囲を変更できます。連続因子に適度に広い範囲を使用すると、より大きな効果がある場合にそれを引き出すことができるため、検出力が向上することに注意してください。モデル内の項を変更できます。テストする項を含めます。
実行回数を指定します。この数には、元のデータ セットの行数を含める必要があります。たとえば、行が 10 行あり、さらに 5 回実行することを検討する場合は、15 と入力します。設計評価セクションを使用して、変更が妥当かどうかを判断できます。検出力分析は特に重要になる場合があります。
回帰モデルの理解こんにちは@DOE_USER : これについてはたくさんの情報が存在します。ここにいくつか挙げておきます。
https://library.virginia.edu/data/articles/post-hoc-power-calculations-are-not-useful
https://tidsskriftet.no/en/2019/01/medisin-og-tall/statistical-power-not-after
https://www.sciencedirect.com/science/article/abs/pii/S1527336909001809
覚えておかなければならないことが 1 つあります。それは、検出力は確率の別の言葉であるということです (特に、対立仮説が正しい場合に帰無仮説を棄却する確率)。しかし、これは大きな「しかし」ですが、何かが起こった (データが観測された) 後は、それに関連する確率はありません。天気を例にとると、今は雨が降っているか降っていないかのどちらかです。それに関連する確率はありません。遡及的検出力分析は、「雨が降っていないことがわかったので、雨が降る確率はどれくらいだったか?」という (非) 質問に答えようとしています。これは無意味な作業です (上記のリンクに示されているように、問題が山積しています)。
