회귀 모델 이해다중 회귀에서 높은 p-값(의미 없음)을 가진 변수가 있지만 추정된 Power가 낮습니다. 이는 변수를 배제하기 위해 더 많은 데이터가 필요하다는 것을 의미합니까?
고급 통계 모델링기본 데이터 분석 및 모델링Re: 회귀 모델 이해후향적 검정력 분석(여기)은 금물입니다. 스크리닝 실험의 경우 가장 좋은 아이디어는 수용 가능한 전향적 검정력으로 연구를 설계한 다음 결과를 수용하는 것입니다. 이 요인은 배제되었습니다.
Re: 회귀 모델 이해안녕 마크,
이것을 조금 더 설명해 주시겠어요? 이 특정한 사례에서는 설계되지 않은 데이터가 있어서 Power 분석이 수행되지 않았습니다.
귀하의 도움에 진심으로 감사드립니다!
Re: 회귀 모델 이해데이터 세트를 사용하여 설계를 시작할 수 있습니다. 먼저 예상되는 DOE 열 속성을 추가해야 합니다. Y 열에 Response Limits 속성을 추가합니다. 연속 X 요인에 Coding 속성을 추가합니다. 모든 X 요인에 적절한 Design Role 및 Factor Changes 속성을 추가합니다.
DOE > Augment Design을 선택하고 데이터 열을 올바른 역할에 캐스팅한 다음 확인을 클릭합니다. 필요하다고 생각되면 이 시점에서 요인 범위를 수정할 수 있습니다. 연속 요인에 대해 상당히 넓은 범위를 사용하면 효과가 있는 경우 더 큰 효과를 유도하기 때문에 검정력이 향상됩니다. 모델의 용어를 수정할 수 있습니다. 테스트하려는 용어를 포함합니다.
실행 횟수를 지정합니다. 이 숫자에는 원래 데이터 세트의 행 수가 포함되어야 합니다. 예를 들어, 행이 10개이고 실행 횟수를 5개 더 고려하려는 경우 15를 입력합니다. 설계 평가 섹션을 사용하여 변경 사항이 합리적인지 여부를 결정할 수 있습니다. 전력 분석이 특히 중요할 수 있습니다.
Re: 회귀 모델 이해안녕하세요 @DOE_USER : 이에 대한 정보가 많이 있습니다. 몇 가지만 소개하겠습니다.
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
기억해야 할 한 가지는... 파워는 확률(특히, 대안 가설이 참일 때 귀무 가설을 기각할 확률)의 또 다른 단어라는 것입니다. 하지만, 이건 큰 "하지만"인데, 일단 무언가가 일어났다면(관찰된 데이터) 그것과 관련된 확률은 없습니다. 예를 들어 날씨를 살펴보겠습니다. 지금 비가 오거나 오지 않거나... 그것과 관련된 확률은 없습니다. 회고적 파워 분석은 "지금 비가 오지 않는다는 것을 알았으니, 비가 올 확률은 얼마 였을까 ?"라는 (비)질문에 답하려고 시도하는 것입니다. 무의미한 연습이고(위의 링크를 통해 표시된 대로 문제가 가득합니다).
