了解回归模型在多元回归中，我有一个 p 值较高的变量（不显著），但估计的功效较低。这是否意味着我们需要更多数据来排除该变量？
高级统计建模基础数据分析与建模回复：理解回归模型回顾性功效分析（此处）是禁忌。对于筛选实验，最好的想法是设计具有可接受的预期功效的研究，然后接受结果。您已排除此因素。
回复：理解回归模型嗨马克，
你能再解释一下吗？在这个特殊情况下，我有一个未设计的数据，因此没有进行功率分析。
非常感谢您的帮助！
回复：理解回归模型您可以使用数据集开始设计。您应该首先添加预期的 DOE 列属性。将响应限值属性添加到 Y 列。将编码属性添加到连续 X 因子。将适当的设计角色和因子变化属性添加到所有 X 因子。
选择 DOE > 增强设计并将数据列置于正确的角色中，然后单击确定。如果您认为有必要，您可以在此时修改因子范围。请注意，使用合理宽的连续因子范围可以增强功效，因为如果有的话，您将获得更大的效果。您可以修改模型中的术语。包括您想要测试的术语。
指定运行次数。此数字应包括原始数据集中的行数。例如，如果您有 10 行并想考虑再运行 5 次，请输入 15。您可以使用设计评估部分来决定您的更改是否合理。功效分析可能对您特别重要。
回复：理解回归模型你好@DOE_USER ：关于这个有很多资料。这里只是其中的一部分。
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
有一件事你必须记住……功效是概率的另一种说法（特别是当备选假设为真时拒绝原假设的概率）。但是，这是一个很大的“但是”，一旦某事发生（观察到的数据），就没有与之相关的概率。以天气为例；现在要么下雨，要么不下雨……没有与之相关的概率。回顾性功效分析试图回答“现在我们知道没有下雨，下雨的概率是多少？”这个（非）问题。这是一项毫无意义的练习（并且充满了问题，如上面的链接所示）。
