我有一个多项逻辑回归，其因变量值为 {-1,0,1}（参考类别为 0）以及许多连续和离散的预测变量。运行回归后，感兴趣的连续预测变量（“大小”）的 3 类效应分析 p 值为 0.0683，两个系数（对应于 -1 和 1 的结果）的 p 值分别为 0.8786 和 0.0220 .
我在某处读到，如果预测变量本身在所选水平上显着，则应该只查看系数的显着性。这是正确的吗？我天真的感觉是预测变量是临界的（为了论证而采用 alpha=0.05），并且“大小”与结果 = 1 有显着关系，但与结果 = -1 无关。我会说与结果 = 1 的关系的重要性并不是非常强，但这对于考虑到应用程序来说是可以的（或者至少，对于我被迫使用的间接数据）
p值本身无法告诉您这种关系有多强，因为p值受样本大小等因素的影响很大。但是假设你的 N 大约是 100-150，我会说大小有相当强的影响，随着大小的增加，Y 为 1 的几率的对数与 Y 的几率的对数显着不同为0。正如您所指出的，对于-1和0的Y值的比较不能说同样的话。
您正确地认为所有这些都因 Size 的整体不显着性而有些无效（取决于您的alpha或重要性标准）。如果您简单地将 Size 声明为非因素，因为它的p值很高，您不会得到太多参数。但话又说回来，如果你的 N 足够小——可能低于 80 或 100——那么你的设计提供了低功率来检测效果，你可能会认真对待无论如何都设法出现的特定效果。
解决依赖p值问题的方法包括两个步骤。首先，确定什么范围的优势比将构成值得关注或值得称其为实质性的影响。（诀窍在于足够容易地识别它们对于更直观的概率度量的含义。）然后为与每个系数相关的优势比构建一个置信区间，并根据您的假设范围考虑它。不考虑统计显着性，效果有实际意义吗？