GAM P-Değerlerini Nasıl Yorumlayabilirim?

Benim adım Hugh ve ben bazı keşif analizleri yapmak için genelleştirilmiş katkı modelleri kullanan bir doktora öğrencisiyim.

MGCV paketinden gelen ve anlayışımı kontrol etmek isteyen p-değerlerinin nasıl yorumlanacağından emin değilim (1.7-29 sürümünü kullanıyorum ve Simon Wood'un bazı belgelerine başvurdum). Önce diğer CV sorularını aradım, ancak en alakalı olanlar özellikle GAM p değerleri değil, genel regresyonlarla ilgili gibi görünüyor.

GAM için birçok farklı argüman olduğunu biliyorum ve p değerleri sadece yaklaşık. Ancak, ortak değişkenlerim için herhangi bir "sinyal" olup olmadığını görmek için basitçe başlıyorum. Örneğin:

Y ~ s (a, k = 3) + s (b, k = 3) + s (c, k = 3) + s (d, k = 3) + s (e, k = 3)

Düzgün terimlerin yaklaşık p değerleri:

s (a) =
0.000473 s (b) = 1.13e-05
s (c) = 0.000736
s (d) = 0.887579
s (e) = 0.234017

R ² (ayarlanmış) = 0,62$\quad$ Sapma açıklandı =% 63.7
GCV puanı = 411.17$\quad$ Ölçek tahmini = 390.1$\quad$ n = 120

Biçimlendirme nedeniyle df sütunlarını vb. Kestim. Her bir ortak değişken için p-değerlerini, karşılık gelen pürüzsüz işlevin model sapmasını önemli ölçüde azaltıp azaltmadığının bir testi olarak yorumluyorum, burada p, en azından 0'lık sıfır bir model altında gözlemlendiği gibi 'nispeten mantıksız' veri alma olasılığıdır.

Bu, (örn. Alfa = 0.05 ile) yumuşatılmış işlevlerin "d" ve "e" için boş bir modele göre sapmayı azaltmadığı, diğer terimler için yaptığı anlamına gelir. Bu nedenle (d) ve (e) regresyona önemli bilgiler eklemez ve açıklanan sapma (a) (b) (c) 'ye kadar düşer?

Herhangi bir tavsiye büyük mutluluk duyacağız ve araştırmalarınızda iyi şanslar.

Nasıl çalıştıklarını anlatan makale burada .

Tüm s (.) = 0 fonksiyonlarının Wald testleri ile ilişkili p-değerleridir. Düşük p-değerleri, fonksiyonu oluşturan yivlerin birlikte sıfır olma olasılığını düşük gösterir.

Onlar hakkında karmaşık olan şey, düşük dereceli bir sahte tersine sahip olmalarıdır. Tipik Wald testi$\hat f (V_\beta)^{-1} \hat f$. Bunun tek değişkenli durumda bir t testi olduğunu hemen görebilirsiniz (yani, matrisler değil, beta ve varyans). Cezalandırılmış spline durumunda bu gerçekten düşük bir güç verir, çünkü bu katsayılar cezalandırılır. Rank-r sözde tersi bunu açıklar. Kağıt gerçekten çok yoğun, ancak genel özeti elde ettiğinizde - matris sıralaması yerine EDF'yi hesaplayarak bir testin gücünü artırmak - biçimciliği takip etmek mümkün hale geliyor.