교호 작용 항이없는 모형 (즉, 다른 항의 곱으로 구성된 항이없는 모형)에서 각 변수의 회귀 계수는 해당 변수 방향으로 회귀 표면의 기울기입니다. 변수의 값에 관계없이 일정하므로 해당 변수의 전체 효과를 측정한다고 할 수 있습니다.
교호 작용이있는 모형에서이 해석은 교호 작용에 관여하지 않는 변수에 대해서만 추가 검증없이 이루어질 수 있습니다. 교호 작용과 관련된 변수의 경우 "주 효과"회귀 계수, 즉 변수 자체의 회귀 계수는 다른 모든 변수가 다음과 같은 경우 해당 변수 방향으로 회귀 표면의 기울기입니다. 해당 변수와의 상호 작용은 값이 0 이며 계수의 유의성 검정은 예측 변수 공간의 해당 영역에서만 회귀 표면의 기울기를 나타냅니다.. 공간의 해당 영역에 실제로 데이터가있을 필요는 없기 때문에, 주 효과 계수는 데이터가 실제로 관찰 된 예측 자 공간의 영역에서 회귀 표면의 기울기와 거의 유사하지 않을 수 있습니다.
anova 관점에서, 주 효과 계수는 전체 주 효과가 아닌 단순한 주 효과와 유사합니다. 더욱이, 이는 데이터가있는 셀로부터 추정함으로써 데이터가 공급 된 빈 셀이 될 수있는 anova 설계에서 무엇을 의미 할 수있다.
anova의 전체 주요 효과와 유사하고 데이터가 관측 된 영역을 넘어 외삽하지 않는 변수의 전체 효과를 측정하려면 변수 방향으로 회귀 표면의 평균 기울기를 조사해야합니다. 평균화는 실제로 관찰 된 N 경우를 초과합니다. 이 평균 기울기는 해당 변수를 포함하는 모형의 모든 항에 대한 회귀 계수의 가중치 합계로 표현할 수 있습니다.
무게는 설명하기 어색하지만 쉽게 얻을 수 있습니다. 변수의 주 효과 계수는 항상 1의 가중치를 갖습니다. 해당 변수와 관련된 항의 다른 계수 각각에 대해 가중치는 해당 항에서 다른 변수의 곱의 평균입니다. 예를 들어, 5 개의 "원시"변수 x1, x2, x3, x4, x5
와 4 개의 양방향 상호 작용 (x1,x2), (x1,x3), (x2,x3), (x4,x5)
및 1 개의 3 방향 상호 작용이 (x1,x2,x3)
있는 경우 모델은 다음과 같습니다.
y = b0 + b1*x1 + b2*x2 + b3*x3 + b4*x4 + b5*x5 +
b12*x1*x2 + b13*x1*x3 + b23*x2*x3 + b45*x4*x5 +
b123*x1*x2*x3 + e
전반적인 주요 효과는
B1 = b1 + b12*M[x2] + b13*M[x3] + b123*M[x2*x3],
B2 = b2 + b12*M[x1] + b23*M[x3] + b123*M[x1*x3],
B3 = b3 + b13*M[x1] + b23*M[x2] + b123*M[x1*x2],
B4 = b4 + b45*M[x5],
B5 = b5 + b45*M[x4],
여기서 M [.]은 괄호 안의 수량의 샘플 평균을 나타냅니다. 괄호 안의 모든 제품 용어는 회귀를 수행하기 위해 만들어진 용어 중 하나이므로 회귀 프로그램은 이미 회귀에 대해 알고 있어야하며 요청시 수단을 인쇄 할 수 있어야합니다.
주 효과와 양방향 상호 작용 만있는 모형에서는 전체 효과를 얻는보다 간단한 방법이 있습니다. 즉, 미가공 변수를 평균으로 중심에 둡니다. 이는 제품 용어를 계산하기 전에 수행되어야하며 제품에는 적용되지 않습니다. 그러면 모든 M [.] 표현식이 0이되고 회귀 계수는 전체 효과로 해석 할 수 있습니다. b의 값이 바뀔 것이다; B의 값은 그렇지 않습니다. 교호 작용에 관여하는 변수 만 중심에 둘 필요가 있지만 일반적으로 다른 측정 변수를 중심에 두는 데에는 해가 없습니다. 변수 센터링의 일반적인 효과는 절편을 변경하는 것 외에도 중심 변수와 상호 작용하는 다른 변수의 계수 만 변경한다는 것입니다. 특히, 중심 변수와 관련된 항의 계수는 변경되지 않습니다. 위에서 주어진 예에서, 중심 x1은 b0, b2, b3 및 b23을 변경합니다.
[1- "센터링"은 다른 사람들이 혼란을 일으킬 정도로 다른 방식으로 사용됩니다. 여기에서 사용 된 "변수를 중심에 맞추는 것"은 변수의 모든 점수에서 #을 빼고 원래 점수를 #의 편차로 변환하는 것을 의미합니다.]
그렇다면 왜 항상 수단을 중심에 두지 않겠습니까? 세 가지 이유. 먼저, 중심이없는 변수의 주 효과 계수 자체가 관심을 가질 수 있습니다. 이러한 경우 중심을 맞추는 것은 다른 변수의 주 효과 계수를 변경하기 때문에 역효과를 낳습니다.
둘째, 센터링은 모든 M [.] 표현식을 0으로 만들므로 3 방향 이상의 상호 작용이없는 모델에서만 간단한 효과를 전체 효과로 변환합니다 . 모형에 이러한 교호 작용이 포함 된 경우 모든 변수가 평균의 중심에 있더라도 b-> B 계산을 수행해야합니다.
셋째, 합리적으로 선택되는 것이 아니라 예측 변수의 분포에 의해 정의되는 평균과 같은 값을 중심으로하는 것은 중심에 의해 영향을받는 모든 계수가 특정 표본에 고유함을 의미합니다. 평균을 중심으로 한 경우 연구를 복제하려는 사람은 자신이 얻은 것과 동일한 계수를 얻으려면 자신의 평균이 아닌 평균을 중심으로해야합니다. 이 문제에 대한 해결책은 점수의 의미에 의존하고 점수의 분포에 의존하지 않는 그 변수의 합리적으로 선택된 중심 값에 각 변수를 집중시키는 것입니다. 그러나 b-> B 계산은 여전히 필요합니다.
전체 효과의 중요성은 회귀 계수의 선형 조합을 테스트하기위한 일반적인 절차로 테스트 할 수 있습니다. 그러나 전체 효과는 구조적 매개 변수가 아니라 디자인에 따라 다르므로 결과를주의해서 해석해야합니다. 회귀 계수 (비 중심 또는 합리적인 중심화) 및 오차 분산과 같은 구조적 매개 변수는 예측 변수 분포의 변화에 따라 변하지 않을 것으로 예상되지만 전체 효과는 일반적으로 변경됩니다. 전체 효과는 특정 표본에 따라 다르며 예측 변수에 다른 분포를 가진 다른 표본으로 이어지지 않아야합니다. 한 연구에서 전체 효과가 유의하고 다른 연구에서는 중요하지 않은 경우 예측 변수 분포의 차이 만 반영 할 수 있습니다.