จะตีความผลกระทบหลักได้อย่างไรเมื่อเอฟเฟกต์ปฏิสัมพันธ์ไม่สำคัญ

ฉันใช้โมเดลผสมแบบเส้นตรงทั่วไปใน R และรวมเอฟเฟกต์การโต้ตอบระหว่างตัวทำนายสองตัว ปฏิสัมพันธ์ไม่สำคัญ แต่ผลหลัก (ทั้งสองทำนาย) ทั้งสอง ตอนนี้ตัวอย่างหนังสือหลายเล่มบอกฉันว่าหากมีผลกระทบอย่างมีนัยสำคัญของการโต้ตอบผลกระทบหลักไม่สามารถตีความได้ แต่ถ้าการปฏิสัมพันธ์ของคุณไม่สำคัญ

ฉันสามารถสรุปได้ว่าตัวทำนายสองตัวมีผลต่อการตอบสนองหรือไม่? หรือมันจะดีกว่าที่จะใช้รูปแบบใหม่ที่ฉันออกจากการมีปฏิสัมพันธ์? ฉันไม่ต้องการทำเช่นนั้นเพราะฉันจะต้องควบคุมการทดสอบหลายรายการ

— rozemarijn
แหล่งที่มา

ใช่ฉันหมายถึงไม่สำคัญ

— rozemarijn

หากหนึ่งในคำตอบเหล่านี้ใช้ได้ผลสำหรับคุณบางทีคุณอาจยอมรับหรือขอคำชี้แจง

— ผัน

หากการโต้ตอบไม่สำคัญคุณควรวางและเรียกใช้การถดถอยโดยไม่ต้อง

— Aksakal

คำตอบ:

นิดหน่อยเล็กน้อย

'ตอนนี้ตัวอย่างหนังสือเรียนมากมายบอกฉันว่าหากมีผลกระทบอย่างมีนัยสำคัญของการโต้ตอบผลกระทบหลักไม่สามารถตีความได้'

ฉันหวังว่ามันไม่จริง พวกเขาควรพูดว่าถ้ามีคำที่ใช้พูดระหว่าง X กับ Z เรียกว่า XZ ดังนั้นการตีความของสัมประสิทธิ์บุคคลสำหรับ X และ Z ไม่สามารถตีความในลักษณะเดียวกับที่ XZ ไม่ปรากฏ คุณสามารถตีความมันได้อย่างแน่นอน

คำถามที่ 2

หากการโต้ตอบทำให้เกิดความรู้สึกเชิงทฤษฎีแล้วก็ไม่มีเหตุผลที่จะไม่ทิ้งมันไว้เว้นแต่จะมีข้อกังวลเกี่ยวกับประสิทธิภาพเชิงสถิติด้วยเหตุผลบางอย่างแทนที่ความกังวลเกี่ยวกับการสะกดผิดและอนุญาตให้ทฤษฎีและแบบจำลองของคุณแตกต่าง

ระบุว่าคุณได้ทิ้งไว้ในนั้นจากนั้นตีความโมเดลของคุณโดยใช้เอฟเฟ็กต์แบบขอบเล็กน้อยเช่นเดียวกับการโต้ตอบที่สำคัญ สำหรับการอ้างอิงฉันมีลิงก์ไปยังBrambor, Clark และ Golder (2006)ที่อธิบายวิธีตีความรูปแบบปฏิสัมพันธ์และวิธีหลีกเลี่ยงข้อผิดพลาดทั่วไป

ลองใช้วิธีนี้: คุณมักจะมีตัวแปรควบคุมในแบบจำลองที่ดูไม่สำคัญ แต่คุณไม่ควรตัดสิ่งเหล่านี้ออกจากสัญญาณแรกของดาวที่หายไป

คำถามที่ 1

คุณถามว่าคุณสามารถ 'สรุปได้ว่าตัวทำนายสองตัวมีผลต่อการตอบสนองหรือไม่' เห็นได้ชัดว่าคุณทำได้ แต่คุณสามารถทำได้ดีกว่า สำหรับโมเดลที่มีเงื่อนไขการโต้ตอบคุณสามารถรายงานว่าตัวทำนายสองตัวนั้นมีผลกระทบอย่างไรกับตัวแปรตาม (ผลกระทบส่วนเพิ่ม) ในลักษณะที่ไม่สนใจว่าการโต้ตอบนั้นสำคัญหรือแม้แต่แสดงอยู่ในโมเดล

บรรทัดล่าง

หากคุณลบการโต้ตอบคุณจะระบุรูปแบบอีกครั้ง นี่อาจเป็นเหตุผลที่ต้องทำด้วยเหตุผลหลายประการบางทฤษฎีและสถิติบางอย่าง แต่การตีความสัมประสิทธิ์ได้ง่ายกว่าไม่ใช่หนึ่งในนั้น

— conjugateprior
แหล่งที่มา

แน่ใจ และถ้าคุณอยู่ใน R คุณอาจพบว่าแพ็กเกจeffectsง่ายกว่าการหาทางผ่านคณิตศาสตร์และสำหรับการวางนัยทั่วไปให้กับโมเดลที่ซับซ้อนยิ่งขึ้น

— ผัน

ในบรรทัดล่างของคุณมันขึ้นอยู่กับสิ่งที่คุณหมายถึงโดย 'ง่ายขึ้น'

— John

ขอบคุณมากสำหรับการอ้างอิง Brambor, Clark และ Golder (2006)! มันเป็นสิ่งที่มีสติมากในการอธิบายโมเดลปฏิสัมพันธ์ มีประโยชน์มากในการทำความเข้าใจวิธีการตีความ (หรือไม่) สัมประสิทธิ์ในรูปแบบดังกล่าว ... BTW กระดาษมาพร้อมกับภาคผนวกอินเทอร์เน็ต: Multiplicative Interaction Modelsซึ่งเป็นภาพรวมที่มีประโยชน์มากของการอภิปราย

— landroni

หากคุณต้องการเอฟเฟกต์หลักแบบไม่มีเงื่อนไขดังนั้นคุณต้องการเรียกใช้โมเดลใหม่โดยไม่มีเงื่อนไขการโต้ตอบเนื่องจากเงื่อนไขการโต้ตอบนั้นไม่อนุญาตให้คุณเห็นเอฟเฟกต์หลักแบบไม่มีเงื่อนไขได้อย่างถูกต้อง เอฟเฟกต์หลักที่คำนวณด้วยการโต้ตอบปัจจุบันนั้นแตกต่างจากเอฟเฟกต์หลักเนื่องจากมักจะตีความพวกเขาในรูปแบบ ANOVA ตัวอย่างเช่นมีความเป็นไปได้ที่จะมีการโต้ตอบเล็กน้อยและไม่มีการลงนามผลกระทบหลักจะไม่ปรากฏเมื่อการโต้ตอบอยู่ในแบบจำลอง

สมมติว่าคุณมีตัวทำนายสองตัวคือ A และ B เมื่อคุณรวมคำศัพท์ไว้แล้วขนาดของ A จะได้รับอนุญาตให้เปลี่ยนแปลงขึ้นอยู่กับ B และในทางกลับกัน ค่าสัมประสิทธิ์เบต้าที่รายงานในผลลัพธ์การถดถอยสำหรับ A นั้นเป็นเพียงหนึ่งในค่าที่เป็นไปได้มากมาย ค่าเริ่มต้นคือการใช้สัมประสิทธิ์ของ A สำหรับกรณีที่ B เป็น 0 และระยะการโต้ตอบคือ 0 แต่เมื่อการถดถอยเป็นเพียงการเพิ่มไม่ได้รับอนุญาตให้แตกต่างกันทั่ว B และคุณได้รับผลกระทบหลักของ A B. สิ่งเหล่านี้อาจเป็นค่าที่แตกต่างกันมากแม้ว่าการโต้ตอบจะไม่ค่อยสำคัญเพราะมันหมายถึงสิ่งต่าง ๆ แบบจำลองการเติมแต่งเป็นวิธีเดียวที่จะประเมินผลกระทบหลักได้ด้วยตนเอง ในทางกลับกันเมื่อการโต้ตอบของคุณมีความหมาย ไม่ใช่ทางสถิติ) และคุณต้องการเก็บไว้ในแบบจำลองของคุณดังนั้นวิธีเดียวที่จะประเมิน A คือการมองข้ามระดับของ B นั่นคือสิ่งที่คุณต้องพิจารณาเกี่ยวกับการโต้ตอบไม่ใช่ว่า A นั้นสำคัญหรือไม่ คุณสามารถเห็นได้จริงๆว่ามีเอฟเฟกต์แบบไม่มีเงื่อนไขของ A ในโมเดลเสริมหรือไม่

ดังนั้นโมเดลต่าง ๆ มองสิ่งที่แตกต่างกันมากและนี่ไม่ใช่ปัญหาของการทดสอบหลาย ๆ แบบ คุณต้องดูทั้งสองวิธี คุณไม่ได้ตัดสินใจตามความสำคัญ ผลกระทบหลักที่ดีที่สุดในการรายงานมาจากตัวแบบเพิ่มเติม คุณตัดสินใจเกี่ยวกับการรวมหรือนำเสนอการโต้ตอบที่ไม่สำคัญโดยพิจารณาจากประเด็นทางทฤษฎีหรือปัญหาการนำเสนอข้อมูล ฯลฯ

(นี่ไม่ได้บอกว่าไม่มีปัญหาการทดสอบหลายอย่างที่นี่ แต่สิ่งที่พวกเขาหมายถึงขึ้นอยู่กับทฤษฎีที่ผลักดันการทดสอบ)

— จอห์น
แหล่งที่มา

ฉันคิดว่าข้อกังวลของ @ rozemarijn นั้นเกี่ยวกับ 'ทริปตกปลา' มากขึ้นนั่นก็คือการวิ่งแบบจำลองจำนวนมากที่แตกต่างกันไปตามหน้าที่ของดาวดวงสุดท้ายที่ปรากฏออกมามากกว่าการทดสอบหลายครั้งในแง่เทคนิค

— conjugateprior

คุณสามารถเรียกใช้ทุกรุ่นที่คุณต้องการ การคำนวณแบบจำลองนั้นไม่ใช่การทดสอบ การทดสอบเป็นกระบวนการตรรกะไม่ใช่คณิตศาสตร์ ความจริงที่ว่าซอฟต์แวร์จำนวนมากโดยค่าเริ่มต้นส่งกลับค่า p สำหรับการประเมินพารามิเตอร์ราวกับว่าคุณได้ทำการทดสอบบางประเภทไม่ได้หมายความว่าอย่างใดอย่างหนึ่ง

— John

และเพื่อเพิ่มสิ่งที่กล่าวข้างต้นหนึ่งอาจทำการทดสอบโดยปริยายตระหนักดีว่าพวกเขาจะล้มเหลวหรือผ่าน การทดสอบเหล่านั้นนับรวมไปถึงการ spelunking ข้อมูลเท่ากับการคำนวณ

— จอห์น

หากเอฟเฟกต์หลักมีความสำคัญ แต่ไม่ใช่การโต้ตอบคุณก็ตีความเอฟเฟกต์หลักตามที่คุณแนะนำ

คุณไม่จำเป็นต้องเรียกใช้โมเดลอื่นโดยไม่มีการโต้ตอบ (โดยทั่วไปไม่ใช่คำแนะนำที่ดีที่สุดในการยกเว้นพารามิเตอร์ตามความสำคัญมีคำตอบมากมายที่นี่อธิบายถึงเรื่องนี้) เพียงใช้ผลลัพธ์ตามที่เป็น

— เฮนริก
แหล่งที่มา

คุณจะให้คำแนะนำแบบเดียวกันในย่อหน้าที่สองหรือไม่หาก OP ระบุว่าการโต้ตอบนั้นไม่ได้เกิดขึ้นตามหลักวิชาการ แต่รวมอยู่ในแบบจำลองเพื่อเป็นแบบทดสอบความพอดี?

— whuber

ขอบคุณมากสำหรับปฏิกิริยาตอบสนองที่รวดเร็วเหล่านี้ ดูเหมือนว่าจะมีความแตกต่างในความเห็นแม้ว่า ... John ระบุว่าฉันต้องใช้โมเดลใหม่โดยไม่มีเอฟเฟกต์ปฏิสัมพันธ์เพราะ "ผลกระทบหลักที่คำนวณจากการโต้ตอบปัจจุบันแตกต่างจากเอฟเฟกต์หลักจริง"

— rozemarijn

อย่างไรก็ตามเฮนริกโต้แย้งว่าฉันไม่ควรเรียกใช้โมเดลใหม่ บางทีฉันสามารถตัดสินใจได้ถ้าฉันรู้ว่าทำไมเอฟเฟ็กต์หลักที่คำนวณด้วยคำที่ใช้โต้ตอบนั้นแตกต่างจากเอฟเฟ็กต์หลักที่แท้จริง ...

— rozemarijn

ในปฏิกิริยาต่อ whuber การทำงานร่วมกันคาดว่าจะเกิดขึ้นในทางทฤษฎีและไม่รวมอยู่ในความดีของการทดสอบแบบเต็ม

— rozemarijn

เพื่ออธิบายรายละเอียดเล็ก ๆ น้อย ๆ : ความแตกต่างที่สำคัญคือระหว่างความคิดของผลกระทบจากพารามิเตอร์ เอฟเฟกต์เป็นคุณสมบัติของแบบจำลองโดยรวมซึ่งอาจหรือไม่อาจระบุได้ว่าเป็นพารามิเตอร์เฉพาะ เมื่อแบบจำลองเป็นแบบเส้นตรงและไม่มีการโต้ตอบพวกเขาสามารถระบุได้ แต่เมื่อมีการโต้ตอบพวกเขาไม่สามารถทำได้ การเรียกร้องของฉันนั้นโดยทั่วไปแล้วหากบังคับให้เลือกอย่างที่คุณเป็นคุณควรใส่ใจผลกระทบมากกว่าเกี่ยวกับพารามิเตอร์ และถ้าคุณทำอย่างนั้นคุณจะไม่สนใจอีกต่อไปว่าคุณจะต้องสร้างอดีตขึ้นมามากมาย

— conjugateprior