了解迴歸模型在多元迴歸中，我有一個 p 值較高（不顯著）的變量，但估計效力較低。這是否意味著我們需要更多數據來排除該變數？
進階統計建模基礎資料分析與建模回覆：理解迴歸模型回顧性功效分析（此處）是禁忌。篩選實驗的最佳想法是設計具有可接受的預期功效的研究，然後接受結果。你已經排除了這個因素。
回覆：理解迴歸模型嗨馬克，
您能再解釋一下嗎？在這種特殊情況下，我有未設計的數據，因此未進行功效分析。
非常感謝您的幫忙！
回覆：理解迴歸模型您可以使用您的資料集來開始設計。您應該先新增預期的 DOE 列屬性。將回應限制屬性新增至 Y 列。將編碼屬性新增至連續 X 因子。將適當的設計角色和因素變更屬性新增至所有 X 因素。
選擇“DOE”>“增強設計”並將資料列指派到正確的角色，然後按一下“確定”。如果您認為有必要，您可以在此時修改因子範圍。請注意，對連續因子使用相當廣泛的範圍可以增強功效，因為如果存在的話，您將產生更大的影響。您可以修改模型中的項目。包括您想要測試的術語。
指定運行次數。該數字應包括原始資料集中的行數。例如，如果您有 10 行並且想要考慮另外 5 次運行，請輸入 15。功率分析可能對您特別重要。
回覆：理解迴歸模型@DOE_USER您好：有很多關於此的內容。這裡僅列出一些。
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
你必須記住一件事……冪是機率的另一種說法（特別是當替代假設為真時拒絕原假設的機率）。但是，這是一個很大的“但是”，一旦發生某件事（觀察到的數據），就沒有與之相關的機率。以天氣為例；現在要么下雨，要么不下雨……沒有與之相關的可能性。回顧性功效分析試圖回答「現在我們知道沒有下雨，那麼下雨的機率是多少？」這個（非）問題。這是一個毫無意義的練習（並且充滿了上面鏈接所示的問題）。
