Toplam p değeri ve çift p değerleri?

Ben günlük olasılığı olan genel bir doğrusal model .

y = β_{0} + β_{1} x_{1} + β_{2} x_{2} + β_{3} x_{3},

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

L_{u}

$L_u$

Şimdi katsayıların aynı olup olmadığını test etmek istiyorum.

İlk olarak, toplam testi: indirgenmiş modeli log olasılık olan . Olabilirlik oranı testi ile, tam model ile azaltılmış olandan önemli ölçüde daha iyidir . $y=\beta_0+\beta_1\cdot(x_1+x_2+x_3)$ $L_r$ $p=0.02$
Sonra, $\beta_1=\beta_2$ ? İndirgenmiş model $y=\beta_0+\beta_1\cdot(x_1+x_2)+\beta_2x_3$ . Sonuç, $\beta_1$ , ile farklı DEĞİLDİR . $\beta_2$ $p=0.15$
Benzer şekilde, $\beta_1=\beta_3$ ? ile farklıdırlar $p=0.007$ .
Son olarak, $\beta_2=\beta_3$ ? ile farklı DEĞİLDİR $p=0.12$ .

Ben genel bekliyoruz çünkü bu oldukça, bana kafa karıştırıcı $p$ daha küçük olması $0.007$ açıkçası beri, $\beta_1=\beta_2=\beta_3$ çok daha sıkı kriter $\beta_1=\beta_3$ (üretir $p=0.007$ ).

Yani, halihazırda " emin" için tutmayan "daha emin" . Yani benim aşağı gitmek gerekir. $0.007$ $\beta_1=\beta_3$ $\beta_1=\beta_2=\beta_3$ $p$

Onları yanlış mı test ediyorum? Aksi takdirde, yukarıdaki muhakemede yanılıyorum?

hypothesis-testing

— Sibbs Kumar
kaynak

X1, x2 ve x3'ün kukla kodlanmış benzer bir faktörün farklı seviyeleri olduğunu varsayıyorum. Daha sonra, böylesine şaşırtıcı sonuçlar, her seviyede farklı sayıda bağımsız kopyadan (= deneysel birim) kaynaklanabilir.

— Rodolphe

Ödülün ödemesiz dönemi sona eriyor, eleştirmek veya gerekirse detaylandırma yapmaktan çekinmeyin.

— brumar

Yani, halihazırda "0.007 emin" için tutmayan "daha emin" . Yani benim p aşağı gitmek gerekir $\beta_1=\beta_3$ $\beta_1=\beta_2=\beta_3$

Kısa cevap: Olasılığınız azalmalıdır. Ancak burada, p değerleri olasılığı ölçmez, ancak bazı kısıtlamaların serbest bırakılmasının olasılıkta önemli bir iyileşme sağlayıp sağlamadığı. O reddetmek mutlaka kolay değil bu yüzden en reddetmek daha kanıtlamaya en kısıtlı modelde çok daha iyi olabilirlik iyileştirmeleri göstermek gerekir çünkü ulaşabileceği özgürlüğü 2 derecelik salınım tam model "buna değer" idi. $\beta_1=\beta_2=\beta_3$ $\beta_1=\beta_3$

Ayrıntı: Olasılık geliştirmelerinin bir grafiğini çizelim. olabilirlik grafiği
Bir çelişkiden kaçınmanın tek kısıtlaması, olasılık iyileştirmelerinin dolaylı yoldan olabilirlik iyileştirmesi toplamına eşit olması gerektiğidir. Dolaylı yolun 1. adımından p-değerini şu şekilde buldum: Olasılık geliştirmeleri ile demek istediğim Chi-kare ile temsil edilen günlük olabilirlik oranı , bu yüzden grafikte toplanır. Bu şema ile doğrudan çelişki olasılığının büyük bir kısmı sadece bir serbestlik derecesinin serbest bırakılmasından kaynaklandığı için görünürdeki çelişki ( ).

\frac{L_{3}}{L_{1}} = \frac{L_{3}}{L_{2}} \times \frac{L_{2}}{L_{1}}

$\frac{L_3}{L_1}=\frac{L_3}{L_2}\times\frac{L_2}{L_1}$

Δ

$\Delta$

β_{1} = β_{3}

$\beta_1=\beta_3$
Bu kalıba katkıda bulunabilecek iki faktör öneririm.

$\beta_2$ , tam modelde geniş bir güven aralığına sahip
$\beta_2$ , tam modelde ve ortalaması civarında $\beta_3$ $\beta_1$

Bu koşullar altında, modelinden modeline bir serbestlik derecesi bırakarak büyük bir olasılık artışı çünkü daha sonraki modelde tahmini , diğer iki katsayı. $\beta_3=\beta_1=\beta_2$ $\beta_3=\beta_1$ $\beta_2$

Bu analizden ve verdiğiniz diğer iki p değerinden, belki iyi bir uyum sağlayabileceğini . $\frac{\beta_3+\beta_1}{2}=\beta_2$

— Brumar
kaynak