为什么有较高的p值使因变量在后向消除中显着？
为什么有较高的p值使因变量在后向消除中显着？
提问于 2019-03-05 19:55:37
在反向消除中，我听到了通过不断删除最高p值(即k.a)来拟合模型的步骤。(不重要的自变量)每次如下所示
- 选择一个显着性水平留在模型中(例如SL = 0.05)
- 将整个模型与所有可能的预测器相匹配
- 考虑P值最高的预测器(P> SL)。
- 移除预测器
- 不带此变量的拟合模型(重复步骤3-5直到P <= SL)
但我不明白的部分是为什么有更高的p值使得相应的自变量变得无关紧要。高p值不意味着它更接近于空假设，所以这个变量更有意义吗？
回答 1
Data Science用户
回答已采纳
发布于 2019-03-05 22:21:47
实际上，Null假设是预测因子不显着。摘自“统计学习导论”：
- 零假设:X与Y之间没有关系
- 替代假说:X与Y之间存在一定的关系
如果我们有一个较高的p-值，则有一个表达式的结果表明，零假设是正确的，因此估计的系数来自于零附近的正态分布，可以被丢弃。我希望这个回答你的问题，如果你需要更多的帮助，请让任何评论。
页面原文内容由Data Science提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://datascience.stackexchange.com/questions/46721
复制相关文章
相似问题
腾讯云开发者
