在反向消除中，我听到了通过每次都删除最高 p 值（又名无关紧要的自变量）来拟合模型的步骤，如下所示
- 选择一个显着性水平以留在模型中（例如 SL = 0.05）
- 用所有可能的预测变量拟合完整模型
- 考虑具有最高 P 值（P > SL）的预测器
- 删除预测器
- 拟合没有此变量的模型（重复步骤 3-5 直到 P <= SL）
但是我不明白的部分是为什么具有更高的 p 值会使相应的自变量变得不显着。具有高 p 值是否意味着它更接近原假设，因此该变量更显着？
为什么具有高 p 值会使因变量在向后消除中显着？
数据挖掘
机器学习
回归
2022-02-20 04:37:24
1个回答
实际上，零假设是预测变量不显着。摘自《统计学习简介》一书：
- 零假设：X 和 Y 之间没有关系
- 替代假设：X 和 Y 之间存在某种关系
如果我们有一个高 p 值，我们有一个表达结果表明原假设是正确的，因此估计的系数来自零附近的正态分布，可以被丢弃。我希望这能回答您的问题，如果您需要更多帮助，请发表评论。