확정 선별 설계 분석에 대한 계수 표

계수

계수는 모형의 항과 반응 변수 사이에 존재하는 관계의 크기와 방향을 설명합니다. 여러 항 사이의 다중 공선성을 최소화하기 위해 계수의 단위는 모두 코드화됩니다.

해석

항의 계수는 다른 항이 상수로 고정된 상태에서 해당 항이 1 코드화된 단위만큼 증가하는 경우 평균 반응의 변화를 나타냅니다. 계수의 부호는 항과 반응 간 관계의 방향을 나타냅니다. 유의성에 대한 계산에서는 계수 추정치의 정밀도도 고려하기 때문에 효과의 계수 크기는 항이 통계적으로 유의한지 여부를 나타냅니다. 통계적 유의성을 확인하려면 항에 대한 p-값을 조사하십시오.

공변량 항 및 블럭 항과 같이 요인이 포함되지 않은 항은 코드화된 단위를 사용하지 않습니다. 이러한 계수는 서로 다르게 해석됩니다.

공변량
공변량에 대한 계수는 공변량과 같은 단위입니다. 계수는 공변량의 한 단위 증가에 대한 예측 평균 반응의 변화를 나타냅니다. 계수가 음수이면 공변량이 증가함에 따라 반응의 예측 평균이 감소합니다. 계수가 양수이면 공변량이 증가함에 따라 반응의 예측 평균이 증가합니다. 공변량은 코드화되지 않고 일반적으로 요인에 직교하지 않기 때문에 공변량이 있으면 VIF 값이 증가합니다. 자세한 내용은 VIF 관련 절을 참조하십시오.
블럭
블럭은 (−1, 0, +1) 코드화 방법을 사용하는 범주형 변수입니다. 각 계수는 블럭에 대한 반응 평균과 반응의 전체 평균 간의 차이를 나타냅니다.

SE 계수

계수의 표준 오차는 동일한 모집단에서 반복해서 표본을 추출하는 경우 얻을 수 있는 계수 추정치 간의 변동성을 추정합니다. 이 계산에서는 반복해서 표본을 추출해도 추정할 실험 설계와 계수가 변경되지 않는다고 가정합니다.

해석

계수의 표준 오차를 사용하여 계수 추정치의 정확도를 측정할 수 있습니다. 표준 오차가 작을수록 추정치의 정확도가 높아집니다. 계수를 표준 오차로 나누면 t-값이 계산됩니다. 이 t-통계량과 관련된 p-값이 유의 수준보다 작은 경우 계수가 통계적으로 유의하다는 결론을 내립니다.

계수에 대한 신뢰 구간(95% CI)

신뢰 구간(CI)은 모형의 각 항에 대한 계수의 실제 값이 포함될 가능성이 높은 값의 범위입니다.

표본이 랜덤이기 때문에 모집단의 두 표본에서 동일한 신뢰 구간이 생성될 가능성은 없습니다. 그러나 여러 개의 랜덤 표본을 추출하면 일정한 백분율의 신뢰 구간에는 알 수 없는 모집단 모수가 포함됩니다. 모수를 포함하는 이러한 신뢰 구간의 백분율이 해당 구간의 신뢰 수준입니다.

신뢰 구간은 다음 두 부분으로 구성됩니다.
점 추정치
이 단일 값은 표본 데이터를 사용하여 모집단 모수를 추정합니다. 신뢰 구간은 점 추정치를 중심으로 합니다.
오차 한계
오차 한계는 신뢰 구간의 너비를 정의하며 표본에서 관측된 변동성, 표본 크기 및 신뢰 수준에 의해 결정됩니다. 신뢰 구간의 상한을 계산하기 위해 오차 한계를 점 추정치에 더합니다. 신뢰 구간의 하한을 계산하기 위해 오차 한계를 점 추정치에서 뺍니다.

해석

모형의 각 항에 대한 모집단 계수의 추정치를 평가하려면 신뢰 구간을 사용합니다.

예를 들어, 95% 신뢰 수준에서 신뢰 구간에 모집단에 대한 계수 값이 포함된다고 95% 확신할 수 있습니다. 신뢰 구간은 결과의 실제 유의성을 평가하는 데 도움이 됩니다. 해당 상황에 실제적으로 유의한 값이 신뢰 구간에 포함되는지 여부를 확인하려면 전문 지식을 활용하십시오. 신뢰 구간이 너무 넓어서 유의하지 않은 경우에는 표본 크기를 늘려보십시오.

t-값

t-값은 계수와 계수의 표준 오차 간의 비율을 측정합니다.

해석

Minitab에서는 t-값을 사용하여 계수가 0과 유의하게 다른지 여부를 검정하기 위해 사용하는 p-값을 계산합니다.

t-값을 사용하여 귀무 가설의 기각 여부를 확인할 수 있습니다. 그러나 귀무 가설의 기각에 대한 분계점이 자유도에 종속되지 않기 때문에 p-값이 더 자주 사용됩니다. t-값 사용에 대한 자세한 내용은 t-값을 사용하여 귀무 가설의 기각 여부 확인에서 확인하십시오.

p-값 – 계수

p-값은 귀무 가설에 반하는 증거를 측정하는 확률입니다. p-값이 작을수록 귀무 가설에 반하는 더 강력한 증거가 됩니다.

해석

계수가 0과 다르다는 증거를 제공하는지 여부를 확인하려면 항에 대한 p-값을 유의 수준과 비교하여 귀무 가설을 평가하십시오. 귀무 가설은 계수가 0으로, 항과 반응 간에 연관성이 없다는 것을 나타냅니다.

일반적으로 0.05의 유의 수준(α 또는 알파로 표시함)이 적절합니다. 0.05의 유의 수준은 계수가 0이 아닌데 0이라는 결론을 내릴 위험이 5%라는 것을 나타냅니다.

p-값 ≤ α: 연관성이 통계적으로 유의합니다.
p-값이 유의 수준보다 작거나 같으면 반응 변수와 항 간에 통계적으로 유의한 연관성이 있다는 결론을 내릴 수 있습니다.
p-값 > α: 연관성이 통계적으로 유의하지 않습니다.
p-값이 유의 수준보다 크면 반응 변수와 항 간에 통계적으로 유의한 연관성이 있다는 결론을 내릴 수 없습니다. 항 없이 모형을 다시 적합시킬 수도 있습니다.
반응과 통계적으로 유의한 연관성이 없는 예측 변수가 여러 개 있는 경우 한 번에 하나씩 항을 줄여 모형을 축소할 수 있습니다. 모형에서 항을 제거하는 방법은 모형 축소에서 확인하십시오.
계수가 통계적으로 유의한 경우 해석은 항의 유형에 따라 다릅니다. 해석은 다음과 같습니다.
선형 항
선형 항에 대한 계수가 통계적으로 유의하면 선형 항에 대한 계수가 0이 아니라는 결론을 내릴 수 있습니다.
요인 간의 교호작용
교호작용 항에 대한 계수가 통계적으로 유의하면 요인과 반응의 관계가 항의 다른 요인에 따라 다르다는 결론을 내릴 수 있습니다.
제곱 항
제곱 항에 대한 계수가 통계적으로 유의하면 요인과 반응의 관계가 항의 곡선을 따른다는 결론을 내릴 수 있습니다.
공변량
공변량에 대한 계수가 통계적으로 유의하면 반응과 공변량 간의 연관성이 통계적으로 유의하다는 결론을 내릴 수 있습니다.
블럭
블럭에 대한 계수가 통계적으로 유의하면 해당 블럭의 반응 값 평균이 반응의 전체 평균과 다르다는 결론을 내릴 수 있습니다.

VIF

분산 팽창 인수(VIF)는 계수의 분산이 모형 내 예측 변수 간의 상관 관계로 인해 얼마나 팽창되는지 나타냅니다.

해석

VIF를 사용하여 모형에 다중 공선성(예측 변수 사이의 상관)이 얼마나 있는지 설명합니다. 선별 설계 모형의 가장 일반적인 경우는 주효과만 포함하는 것입니다. 이 경우 공변량이나 변형된 런이 없으면 VIF가 1입니다. 선별 설계 모형에서 일반적인 부분 별칭은 다중 공선성을 증가시킵니다. 다중 공선성이 있으면 통계정 유의성을 확인하기 어렵습니다. 모형에 공변량을 포함하고 데이터 수집 시 변형된 런이 발생하는 경우에도 VIF 값이 증가할 수 있습니다. VIF를 해석하려면 다음 지침을 사용하십시오.

VIF 예측 변수의 상태
VIF = 1 상관되지 않음
1 < VIF < 5 적당히 상관됨
VIF > 5 많이 상관됨
많이 상관된 예측 변수는 다중 공선성이 회귀 계수의 분산을 증가시킬 수 있기 때문에 문제가 있습니다. 다음은 불안정적인 계수의 일부 결과입니다.
  • 예측 변수와 반응 간에 중요한 관계가 존재하는 경우에도 계수가 통계적으로 유의하지 않은 것으로 보일 수 있습니다.
  • 높은 상관 관계가 있는 예측 변수에 대한 계수는 표본에 따라 크게 달라질 수 있습니다.
  • 높은 상관 관계가 있는 모형 항을 제거하면 높은 상관 관계가 있는 다른 항의 추정 계수에 크게 영향을 미칩니다. 높은 상관 관계가 있는 항의 계수 부호가 잘못되었을 수도 있습니다.

다중 공선성이 존재하는 경우 모형에서 통계적 유의성을 사용하여 모형에서 제거할 항을 선택할 때 주의해야 합니다. 한 번에 하나의 항만 모형에 추가하거나 삭제하십시오. 모형을 변경함에 따라 모형 요약 통계량의 변동뿐만 아니라 통계적 유의성의 검정도 모니터링하십시오.

이 사이트를 사용하면 분석 및 사용자 개인 컨텐츠에 대한 쿠키 사용에 동의하는 것입니다.  당사의 개인정보 보호정책을 확인하십시오