कुल मिलाकर पी-मूल्य और जोड़ीदार पी-मान?

Question

मैंने एक सामान्य रैखिक मॉडल जिसकी लॉग संभावना ।

$$y=\beta_0+\beta_1x_1+\beta_2x_2+\beta_3x_3,$$ $L_u$

अब मैं परीक्षण करना चाहता हूं कि क्या गुणांक समान हैं।

• सबसे पहले, समग्र परीक्षण: कम मॉडल की लॉग संभावना है । संभावना अनुपात परीक्षण द्वारा, पूर्ण मॉडल साथ कम एक की तुलना में काफी बेहतर है ।$y=\beta_0+\beta_1\cdot(x_1+x_2+x_3)$$L_r$$p=0.02$
• अगला, ? कम किया गया मॉडल । परिणाम, साथ से अलग नहीं है ।$\beta_1=\beta_2$$y=\beta_0+\beta_1\cdot(x_1+x_2)+\beta_2x_3$$\beta_1$$\beta_2$$p=0.15$
• इसी तरह, ? वे साथ अलग हैं ।$\beta_1=\beta_3$$p=0.007$
• अंत में, ? वे साथ भिन्न नहीं हैं ।$\beta_2=\beta_3$$p=0.12$

---

यह मेरे लिए काफी भ्रामक है, क्योंकि मुझे उम्मीद है कि समग्र से छोटा होगा , क्योंकि स्पष्ट रूप से (जो उत्पन्न करता है ) की तुलना में बहुत अधिक कठोर मानदंड है ।$p$$0.007$$\beta_1=\beta_2=\beta_3$$\beta_1=\beta_3$$p=0.007$

यही है, क्योंकि मैं पहले से ही " आश्वस्त" हूं, इसलिए धारण नहीं करता है, मुझे "अधिक विश्वास" होना चाहिए कि पकड़ में नहीं आता है। इसलिए मेरा नीचे जाना चाहिए।$0.007$$\beta_1=\beta_3$$\beta_1=\beta_2=\beta_3$$p$

क्या मैं उन्हें गलत तरीके से परख रहा हूं? अन्यथा, ऊपर दिए गए तर्क में मैं कहां गलत हूं?

Comments

मुझे लगता है कि X1, x2 और x3 एक समान कारक के विभिन्न स्तर हैं, डमी कोडित हैं। फिर, मुझे लगता है, इस तरह के आश्चर्यजनक परिणाम प्रत्येक स्तरों में अलग-अलग स्वतंत्र प्रतिकृति (= प्रयोगात्मक इकाइयों) से उत्पन्न हो सकते हैं।

— रोडोलफे

इनाम की अनुग्रह अवधि समाप्त हो रही है, आलोचक या जरूरत पड़ने पर विस्तार से पूछने में संकोच न करें।

— ब्रुम्

Answer 1

यही है, क्योंकि मैं पहले से ही "0.007 आश्वस्त" हूं, इसलिए धारण नहीं करता है, मुझे "अधिक विश्वास" होना चाहिए कि पकड़ में नहीं आता है। इसलिए मेरा पी नीचे जाना चाहिए $\beta_1=\beta_3$$\beta_1=\beta_2=\beta_3$

संक्षिप्त उत्तर: आपकी संभावना कम होनी चाहिए। लेकिन यहां, पी-मान संभावना की माप नहीं करते हैं, लेकिन क्या कुछ बाधाओं की रिहाई से संभावना पर एक महत्वपूर्ण सुधार प्रदान होता है। कारण है कि यह जरूरी नहीं कि अस्वीकार करने के लिए आसान है कि के अस्वीकार करने के लिए की तुलना में क्योंकि आप को साबित करने के लिए सबसे विवश मॉडल में काफी बेहतर संभावना सुधार दिखाने की जरूरत है कि पहुंच के लिए स्वतंत्रता की 2 डिग्री की रिहाई पूर्ण मॉडल "इसके लायक" था।$\beta_1=\beta_2=\beta_3$$\beta_1=\beta_3$

विस्तार: चलो संभावना सुधार का एक ग्राफ आकर्षित करते हैं।
एक विरोधाभास से बचने के लिए एकमात्र बाधा यह है कि अप्रत्यक्ष पथ से संभावना में सुधार की राशि के बराबर संभावना में सुधार होना चाहिए। इस तरह मुझे परोक्ष पथ के चरण 1 से पी-मान मिला: संभावित सुधारों से, मेरा मतलब है लॉग संभावना अनुपात ची-वर्ग द्वारा दर्शाया गया है , यही कारण है कि उन्हें ग्राफ में अभिव्यक्त किया गया है। इस स्कीमा के साथ, व्यक्ति स्पष्ट विरोधाभास को त्याग सकता है क्योंकि प्रत्यक्ष मार्ग की संभावना में सुधार स्वतंत्रता की केवल एक डिग्री ( ) की रिहाई से आता है ।

$$\frac{L_3}{L_1}=\frac{L_3}{L_2}\times\frac{L_2}{L_1}$$ $\Delta$$\beta_1=\beta_3$
मैं दो कारकों का सुझाव दूंगा जो इस पैटर्न में योगदान कर सकते हैं।

• $\beta_2$पूर्ण मॉडल में का एक बड़ा आत्मविश्वास अंतराल है
• $\beta_2$ की औसत के आसपास है और पूरा मॉडल में$\beta_3$$\beta_1$

इन शर्तों के तहत, मॉडल से मॉडल तक एक डिग्री जारी करने से कोई बड़ा सुधार नहीं होता है क्योंकि बाद के मॉडल में का अनुमान करीब से हो सकता है दो अन्य गुणांक।$\beta_3=\beta_1=\beta_2$$\beta_3=\beta_1$$\beta_2$

इस विश्लेषण और आपके द्वारा दिए गए दो अन्य पी-वैल्यू से यह पता चल सकता है कि शायद एक अच्छा फिट प्रदान कर सकते हैं।$\frac{\beta_3+\beta_1}{2}=\beta_2$