我正在使用 R 包gamlss运行基于 GAM 的回归，并假设数据的 beta 分布为零膨胀。我的模型中只有一个解释变量，所以它基本上是：mymodel = gamlss(response ~ input, family=BEZI).

该算法给了我系数$k$对于解释变量对均值的影响（$\mu$) 和相关的 p 值$k(\text{input})=0$， 就像是：

Mu link function:  logit                                               
Mu Coefficients:                                                      
              Estimate  Std. Error  t value   Pr(>|t|)                  
(Intercept)  -2.58051     0.03766  -68.521  0.000e+00                  
input        -0.09134     0.01683   -5.428  6.118e-08

正如你在上面的例子中看到的，假设$k(\text{input})=0$被高信心拒绝。

然后我运行空模型：null = gamlss(response ~ 1, family=BEZI)并使用似然比检验比较可能性：

p=1-pchisq(-2*(logLik(null)[1]-logLik(mymodel)[1]), df(mymodel)-df(null)).

在许多情况下，我得到$p>0.05$即使据报道输入的系数非常重要（如上所述）。我觉得这很不寻常——至少在我使用线性或逻辑回归的经验中从未发生过（事实上，当我将零调整伽马与 gamlss 一起使用时，这也从未发生过）。

我的问题是：在这种情况下，我还能相信响应和输入之间的依赖关系吗？