Bal des Conscrits de Besse Sobre você propor de vir você dtendre com nós o tempo dune soire, que é assim para fazer uma pausa pendant vos rvisions, de souffler aprs les examens, ou tout simplement de passer (encore) une bonne soire avec nous. ) On se retrouve donc le 30 MAI la SALLE POLYVALENTE de BESSE A música foi assistida por Extremusic Disco-móvel e pela Buvette Serão no rendez-vous videment) Donc en GRANDE, trs GRANDE FORME. Leia mais 81 marcaram este evento. Sua jornada começa agora. Recuperar senha. Can um modelo de regressão com um R-quadrado pequeno Seja útil R é uma estatística tão bonita, isn8217t-lo Ao contrário de tantos dos outros, faz sentido8211the porcentagem de variação em Y representado por um modelo. Quero dizer, você pode realmente entender isso. Assim pode sua avó. E o público-alvo que está escrevendo o relatório. Um R grande é sempre bom e um pequeno é sempre ruim, à direita, eu vi um monte de gente ficar chateado com pequenos valores de R, ou qualquer pequeno tamanho de efeito. Para essa matéria. Recentemente ouvi um comentário que nenhum modelo de regressão com um R menor do que .7 deve mesmo ser interpretado. Agora, pode haver um contexto em que essa regra faz sentido, mas como regra geral, não. Só porque o tamanho do efeito é pequeno não significa que ele é mau, indigno de ser interpretado ou inútil. It8217s apenas pequeno. Mesmo tamanhos de efeito pequeno podem ter significado científico ou clínico. Depende do seu campo. Por exemplo, numa dissertação que eu ajudei um cliente com muitos anos atrás, a questão da pesquisa era sobre se a religiosidade prediz a saúde física. (Se você esteve em algum de meus workshops, você reconhecerá este exemplo como um grande conjunto de dados. O modelo usou freqüência de freqüência religiosa como um indicador de religiosidade, e incluiu algumas variáveis de controle pessoal e demográfico, incluindo gênero, status de pobreza e depressão Níveis e alguns outros. O modelo R foi de cerca de 0,04, embora o modelo foi significativo. Es fácil de descartar o modelo como sendo inútil. Você está apenas explicando 4 da variação Por que se preocupar Mas pense sobre isso. Se você pensar sobre todos Das coisas que podem afetar a saúde de alguém, você realmente espera que o comparecimento religioso seja um grande contribuinte. Embora eu não seja um pesquisador de saúde, posso pensar em algumas variáveis que eu esperaria ser muito melhores preditores de saúde. Idade, história da doença, níveis de estresse, história familiar de doença, condições de trabalho. E colocar todos eles no modelo seria realmente dar melhores valores previstos. Se o único ponto do modelo era a previsão, o meu modelo de cliente faria um trabalho muito ruim . (Talvez o comentário 70 veio de alguém que só executa modelos de previsão). Mas não foi. O ponto era ver se havia um relacionamento pequeno, mas de confiança. E havia. Fazer pequenos tamanhos de efeito exigem amostras maiores para encontrar o significado Certo. Mas este conjunto de dados tinha mais de 5000 pessoas. Não é um problema. Muitos pesquisadores voltaram-se para o uso de tamanhos de efeito porque avaliar os efeitos usando p-valores sozinhos pode ser enganoso. Mas os tamanhos de efeito também podem ser enganadores se você não pensar sobre o que eles significam dentro do contexto da pesquisa. Às vezes, ser capaz de melhorar facilmente um resultado de 4 é clinicamente ou cientificamente importante. Às vezes não é nem perto o suficiente. Às vezes depende de quanto tempo, esforço ou dinheiro seria necessário para obter uma melhoria de 4. Tanto quanto nós adoramos ter respostas diretas para o que é grande o suficiente, isso não é o trabalho de qualquer estatística. Tens de pensar nisso e interpretar de acordo. Isso é verdade em quase todas as estatísticas. Mesmo regras rígidas como plt.05 indicando significância estatística aren039t realmente difícil. Então sim, a experiência sempre ajuda, especialmente na compreensão de suas variáveis e pesquisa. Mas parar e pensar nisso ajuda em qualquer nível de experiência. O contra-argumento a esta posição é que se você acredita que a religiosidade é apenas um pequeno pedaço do quebra-cabeça, seu modelo deve incluir um monte de coisas que você acha que são mais importantes como controles e verificar se o modelo mais amplo com religiosidade incluído é um Melhor do que aquele com apenas os grandes preditores. Caso contrário, você poderia estar atribuindo outro preditor de saúde à religiosidade (por exemplo, a saúde hereditária é provavelmente um grande preditor, e pode ser que as pessoas com pais insalubres tenham maior probabilidade de buscar uma comunidade religiosa também). Um modelo que só melhora em pequenas quantidades pode ainda ser útil (digamos, indo de .7 para .74), mas um modelo que, na sua totalidade, só produz um R-sq de .04 I8217d preocupado que eu haven8217t mesmo começou a Adequadamente o relacionamento. Concordo (fortemente) com o ponto sobre a interpretação do resultado dentro do contexto em que a pesquisa está sendo conduzida, no entanto. Sim, vejo o seu ponto. Concordo, it8217s sempre ideal para ter mais da variação explicada. E para um resultado geralmente bem compreendido para a população estudada, há uma maior expectativa de ser capaz de explicar a maior parte da variação. Você está absolutamente certo de que seria melhor modelar essa hipótese como uma variação adicional explicada, e que não incluir os controles significa que você poderia estar confundindo relacionamentos. No entanto, existem algumas variáveis de resultado (muitas em sociologia, por exemplo) para amplas populações que apenas nunca foram explicadas. Assim, não é uma questão de outra variável ser deixada de fora de um modelo, mas sim tantas variáveis concorrentes, cada uma com um efeito minúsculo que você pode incluir todas ou apenas aleatoriedade. (E eu percebo que estes são muitas vezes a mesma coisa). Agora é possível argumentar que a saúde física não é uma dessas, e admito que é possível. Mas é possível que seja em determinadas populações. Por exemplo, você pode ser capaz de controlar para 70 da variação na saúde física em uma população clínica, mas não em uma população nacional. Isso também é verdade em situações mais exploratórias. Se um resultado é uma nova construção que não é bem conhecida, é provável que os dados tenham sido coletados em todos os controles possíveis. Neste caso, é muito possível que um efeito de algo como religiosidade será mais tarde explicado em outro estudo. Mas esse fato é interessante, pois pensamos que tínhamos o resultado explicado por X. Se nunca relatarmos o primeiro pequeno efeito porque estamos esperando um modelo que explique tudo, talvez nunca saibamos o que precisa ser construído no modelo. Novamente, é o contexto. Existe uma maneira de quantificar o 8216context8217 em que se tem de interpretar R2 I8217m não exatamente certo que você entende por quantificar o contexto, mas eu acho que a resposta é 8216no.8217 It8217s realmente sobre parar e pensar sobre o que você realmente tem informações.
No comments:
Post a Comment