다중 회귀 및 다중 비교

p 설명 변수의 다중 회귀에 적합하다고 가정 해보십시오. t- 검정을 통해 그 중 하나가 중요한지 확인할 수 있습니다 ( ). 부분 F- 테스트를 수행하여 일부 하위 집합이 유의한지 확인할 수 있습니다 ( ).H 0 : β i = β j = . . . = β k = $H_0: \beta_i = 0$$H_0: \beta_i=\beta_j=...=\beta_k=0$

내가 종종 보는 것은 누군가가 5 t- 검정에서 5 p- 값을 얻고 (5 공변량이 있다고 가정) p- 값 <0.05로 유지합니다. 실제로 다중 비교 검사가 있어야하기 때문에 조금 틀린 것 같습니다. 이 같은 말을 정말 공평 및 중요하지만 , 및 없습니다를?β 2 β 3 β 4 β $\beta_1$$\beta_2$$\beta_3$$\beta_4$$\beta_5$

관련 메모에서 2 개의 개별 모델에서 2 개의 회귀 분석을 실행한다고 가정 해보십시오 (다른 결과). 두 결과 사이에 중요한 매개 변수에 대한 다중 비교 검사가 필요합니까?

편집 : 비슷한 질문과 구별하기 위해 p- 값에 대한 다른 해석이 있습니까? "B_i는 다른 모든 공변량을 조정할 때 (in) 중요합니다"? 이 해석을 통해 모든 B_i를 살펴보고 0.5 미만 (다른 게시물과 유사)을 삭제할 수있는 것처럼 보이지 않습니다.

B_i와 Y에 관계가 있는지 테스트하는 확실한 방법은 각 공변량에 대한 상관 계수 p- 값을 얻은 다음 multcomp를 수행하는 것입니다 (확실히 신호를 잃을지라도).

마지막으로 B1 / Y1, B2 / Y1 및 B3 / Y1 사이의 상관 관계를 계산했다고 가정합니다 (따라서 세 개의 p- 값). 무관하게, 나는 또한 T1 / Y2, T2 / Y2, T3 / Y2 사이의 상관 관계를 수행했습니다. 올바른 Bonferroni 조정은 6 개의 테스트 모두에 대해 6 개 (첫 번째 그룹의 경우 3 개, 두 번째 그룹의 경우 3 개가 아니라 2 개의 "세미"로 조정 된 p- 값을 얻음)라고 가정합니다.

네가 옳아. 여러 비교의 문제는 어느 곳에서나 존재하지만, 일반적으로 가르치는 방식으로 인해 사람들은 많은 $t$ 검정을 통해 많은 그룹을 서로 비교하는 것과 관련이 있다고 생각합니다 . 실제로는 여러 비교 문제가 있지만 많은 쌍별 비교처럼 보이지 않는 예가 많이 있습니다. 예를 들어, 연속 변수가 많고 상관 관계가 있는지 궁금하다면 다중 비교 문제가 발생합니다 (여기 참조 : 상관 관계 찾기 ).

$\alpha=.05$$1-(1-\alpha)^p$$p=5$$.23$

$F$$t$-테스트하지만 모든 더미 코드를 삭제하고 대신 중첩 모델 테스트를 수행합니다.

또 다른 가능한 전략은 Bonferroni 수정과 같은 알파 조정 절차를 사용하는 것입니다. 이렇게하면 전력이 줄어들고 가족의 제 1 종 오류율이 줄어 듭니다. 이 상충 관계가 가치가 있는지 여부는 귀하가 판단해야합니다. (FWIW, 나는 일반적으로 다중 회귀 분석에서 알파 수정을 사용하지 않습니다.)

$p$

$b_1x_1+b_2x_2$$b_1x_1+b_2x_2+b_3x_3$

서로 다른 종속 변수를 사용하여 분석을 처리하는 방법에 대한 질문에서 어떤 종류의 조정을 사용할지 여부는 분석을 서로 비교하여 보는 방법에 따라 다릅니다. 전통적인 아이디어는 그들이 '가족'으로 간주되는지 여부를 결정하는 것입니다. 이것은 여기서 논의된다 : "가설의 가족"에 대한 명확하고 실용적인 정의는 무엇인가? 이 스레드를 읽을 수도 있습니다 . 여러 종속 변수를 예측하는 방법 .

실용적인 수준에서 베타가 범주 형 변수 (예 : 인형)의 수준을 반영하는지 고려해야한다고 생각합니다. 이러한 상황에서 주어진 베타가 (의미있는) 참조 베타와 다른지 여부를 알고 관심을 갖는 것이 합리적입니다. 그러나 짝수 비교를하기 전에 범주 형 변수의 전체 수준이 중요한지 (관절 F 검정 또는 우도 비 검정 사용) 알아야합니다 . 이렇게하면 적은 양의 df를 사용할 수 있다는 이점이 있습니다.