虎扑首页
NBA
社区
步行街
电竞
国际足球
CBA
空间
游戏中心
美职篮英雄
巅峰冠军足球
三国志战旗版
王者坦克
疾风猎人
爱琳诗篇
零之战线
社区 » 步行街 » 考研区 » 在论文中应该如何解释...

在论文中应该如何解释p=1以及可以选定其作为最优模型？

4回复/ 0亮361 浏览
虎扑JR1967690526(20级)楼主2024-05-01 14:55:01发布于江苏
在论文中应该如何解释p=1以及可以选定其作为最优模型？由虎扑JR1967690526 发表在考研区 https://bbs.hupu.com/618

代码：

DATA:

FILE IS C:\Users\hp\Desktop\LPA.dat;

VARIABLE:

MISSING ARE ALL (-99);

NAMES ARE NUM ql bql bh pg;

USEVARIABLES ARE QL BQL BH PG;

CLASSES = c (5) ; ! 设定潜类别个数，从1个类别开始，依次增加；

ANALYSIS : TYPE = MIXTURE ;

MITERATIONS=5000

STARTS = 1000 250; ! 避免局部最大化解，增加随机起始值数

LRTSTARTS= 0 0 500 200;

OUTPUT: TECH11 TECH14;

SAVEDATA: FILE = zc5.txt;

Save = cprob ; ! 保存后验分类概率

Plot: ! 通过绘图命令 可以获得描述性统计图和条件概 示意图

type is plot3 ;

series = QL BQL BH PG ( * );

比书里多的两行代码是因为下面的报错，修改后报错就没有了。ps.不管有没有这行代码tech11结果基本不变

WARNING: OF THE 5 BOOTSTRAP DRAWS, 4 DRAWS HAD BOTH A SMALLER LRT VALUE THAN THE

OBSERVED LRT VALUE AND NOT A REPLICATED BEST LOGLIKELIHOOD VALUE FOR THE 5-CLASS MODEL.

THIS MEANS THAT THE P-VALUE MAY NOT BE TRUSTWORTHY DUE TO LOCAL MAXIMA.

INCREASE THE NUMBER OF RANDOM STARTS USING THE LRTSTARTS OPTION.

tech11结果：TECHNICAL 11 OUTPUT

TECHNICAL 11 OUTPUT

Random Starts Specifications for the k-1 Class Analysis Model

Number of initial stage random starts 20

Number of final stage optimizations 4

VUONG-LO-MENDELL-RUBIN LIKELIHOOD RATIO TEST FOR 4 (H0) VERSUS 5 CLASSES

H0 Loglikelihood Value -9690.979

2 Times the Loglikelihood Difference 11603.859

Difference in the Number of Parameters 6

Mean 156127.952

Standard Deviation 221672.534

P-Value 1.0000

LO-MENDELL-RUBIN ADJUSTED LRT TEST

Value 11393.281

P-Value 1.0000

tech14结果

TECHNICAL 14 OUTPUT

Random Starts Specifications for the k-1 Class Analysis Model

Number of initial stage random starts 20

Number of final stage optimizations 4

Random Starts Specification for the k-1 Class Model for Generated Data

Number of initial stage random starts 0

Number of final stage optimizations for the

initial stage random starts 0

Random Starts Specification for the k Class Model for Generated Data

Number of initial stage random starts 1000

Number of final stage optimizations 500

Number of bootstrap draws requested Varies

PARAMETRIC BOOTSTRAPPED LIKELIHOOD RATIO TEST FOR 4 (H0) VERSUS 5 CLASSES

H0 Loglikelihood Value -9690.979

2 Times the Loglikelihood Difference 11603.859

Difference in the Number of Parameters 6

Approximate P-Value 0.0000

Successful Bootstrap Draws 5

请问为什么p值会等于1，5分类模型除了tech11结果之外其他指标和理论解释性都很好，是否可以接受其作为最优模型，如果可以在论文中应该如何解释p=1以及可以选定其作为最优模型？

感谢各位大佬！

代码：

DATA:

FILE IS C:\Users\hp\Desktop\LPA.dat;

VARIABLE:

MISSING ARE ALL (-99);

NAMES ARE NUM ql bql bh pg;

USEVARIABLES ARE QL BQL BH PG;

CLASSES = c (5) ; ! 设定潜类别个数，从1个类别开始，依次增加；

ANALYSIS : TYPE = MIXTURE ;

MITERATIONS=5000

STARTS = 1000 250; ! 避免局部最大化解，增加随机起始值数

LRTSTARTS= 0 0 500 200;

OUTPUT: TECH11 TECH14;

SAVEDATA: FILE = zc5.txt;

Save = cprob ; ! 保存后验分类概率

Plot: ! 通过绘图命令 可以获得描述性统计图和条件概 示意图

type is plot3 ;

series = QL BQL BH PG ( * );

比书里多的两行代码是因为下面的报错，修改后报错就没有了。ps.不管有没有这行代码tech11结果基本不变

WARNING: OF THE 5 BOOTSTRAP DRAWS, 4 DRAWS HAD BOTH A SMALLER LRT VALUE THAN THE

OBSERVED LRT VALUE AND NOT A REPLICATED BEST LOGLIKELIHOOD VALUE FOR THE 5-CLASS MODEL.

THIS MEANS THAT THE P-VALUE MAY NOT BE TRUSTWORTHY DUE TO LOCAL MAXIMA.

INCREASE THE NUMBER OF RANDOM STARTS USING THE LRTSTARTS OPTION.

tech11结果：TECHNICAL 11 OUTPUT

TECHNICAL 11 OUTPUT

Random Starts Specifications for the k-1 Class Analysis Model

Number of initial stage random starts 20

Number of final stage optimizations 4

VUONG-LO-MENDELL-RUBIN LIKELIHOOD RATIO TEST FOR 4 (H0) VERSUS 5 CLASSES

H0 Loglikelihood Value -9690.979

2 Times the Loglikelihood Difference 11603.859

Difference in the Number of Parameters 6

Mean 156127.952

Standard Deviation 221672.534

P-Value 1.0000

LO-MENDELL-RUBIN ADJUSTED LRT TEST

Value 11393.281

P-Value 1.0000

tech14结果

TECHNICAL 14 OUTPUT

Random Starts Specifications for the k-1 Class Analysis Model

Number of initial stage random starts 20

Number of final stage optimizations 4

Random Starts Specification for the k-1 Class Model for Generated Data

Number of initial stage random starts 0

Number of final stage optimizations for the

initial stage random starts 0

Random Starts Specification for the k Class Model for Generated Data

Number of initial stage random starts 1000

Number of final stage optimizations 500

Number of bootstrap draws requested Varies

PARAMETRIC BOOTSTRAPPED LIKELIHOOD RATIO TEST FOR 4 (H0) VERSUS 5 CLASSES

H0 Loglikelihood Value -9690.979

2 Times the Loglikelihood Difference 11603.859

Difference in the Number of Parameters 6

Approximate P-Value 0.0000

Successful Bootstrap Draws 5

请问为什么p值会等于1，5分类模型除了tech11结果之外其他指标和理论解释性都很好，是否可以接受其作为最优模型，如果可以在论文中应该如何解释p=1以及可以选定其作为最优模型？

感谢各位大佬！

推荐
评论 (4)
收藏
分享
举报
只看楼主

全部回帖

收起

在您的分析中,p值等于1可能是由以下几个原因造成的:

1. 模型过于复杂,参数过多导致过拟合问题。5个潜类别的模型可能过于复杂,难以从数据中准确地估计所有参数。这会导致似然比检验结果不可靠。

2. 样本量不足。如果样本量较小,难以从数据中准确地估计模型参数,这也会导致p值偏高。

3. 数值收敛问题。有时候模型难以收敛到全局最优解,导致似然比检验结果不可靠。增加随机起始值和迭代次数可能会有帮助。

即使p值等于1,但如果其他指标(如AIC/BIC、分类准确性等)表明5个潜类别模型相对更优,您也可以考虑选择5类模型作为最终模型。在论文中,您可以解释如下:

1. 介绍您进行了5个潜类别模型的分析,并报告了各项指标的结果。指出虽然似然比检验结果显示p=1,不支持增加类别数,但其他指标(列出具体指标)表明5类模型相对更优。

2. 讨论上述可能导致p值偏高的原因,如模型复杂度、样本量等因素。指出尽管似然比检验不显著,但基于整体的模型评估指标,您认为5类模型更适合解释数据。

3. 解释选择5类模型作为最终模型的理论依据和实际意义,说明这一模型能更好地捕捉数据的潜在结构。

总之,在论文中要客观地呈现所有模型评估指标,并针对p=1的结果提供合理解释,阐述您选择5类模型作为最优模型的依据。这样可以说服读者接受您的分析结果。

在您的分析中,p值等于1可能是由以下几个原因造成的:

1. 模型过于复杂,参数过多导致过拟合问题。5个潜类别的模型可能过于复杂,难以从数据中准确地估计所有参数。这会导致似然比检验结果不可靠。

2. 样本量不足。如果样本量较小,难以从数据中准确地估计模型参数,这也会导致p值偏高。

3. 数值收敛问题。有时候模型难以收敛到全局最优解,导致似然比检验结果不可靠。增加随机起始值和迭代次数可能会有帮助。

即使p值等于1,但如果其他指标(如AIC/BIC、分类准确性等)表明5个潜类别模型相对更优,您也可以考虑选择5类模型作为最终模型。在论文中,您可以解释如下:

1. 介绍您进行了5个潜类别模型的分析,并报告了各项指标的结果。指出虽然似然比检验结果显示p=1,不支持增加类别数,但其他指标(列出具体指标)表明5类模型相对更优。

2. 讨论上述可能导致p值偏高的原因,如模型复杂度、样本量等因素。指出尽管似然比检验不显著,但基于整体的模型评估指标,您认为5类模型更适合解释数据。

3. 解释选择5类模型作为最终模型的理论依据和实际意义,说明这一模型能更好地捕捉数据的潜在结构。

总之,在论文中要客观地呈现所有模型评估指标,并针对p=1的结果提供合理解释,阐述您选择5类模型作为最优模型的依据。这样可以说服读者接受您的分析结果。

亮了(0)
回复

在您的问题中，p值等于1表明在Lo-Mendell-Rubin调整后的似然比检验和Vuoung-Lo-Mendell-Rubin似然比检验中，5类模型与4类模型比较时，没有统计显著的差异，表明增加一个类别并没有带来模型拟合的显著提升。这通常意味着从统计的角度，没有足够的证据表明5类模型比4类模型更优。

然而，统计检验的结果并非是评价模型唯一的标准。实际应用中，模型选择可以考虑多个方面的因素：
1. **理论指导**: 模型是否有好的理论基础支持。
2. **解释性**: 5类模型是否在实际应用中提供更深入的洞见和更有效的解释性。
3. **其他拟合指标**: 如信息准则（AIC、BIC等），这些可以帮助判断模型的复杂度和拟合度。

在论文中解释p=1的情况和为何选择5分类模型作为最优模型，可以按以下步骤进行：
1. **说明p值含义**：首先明确指出p值=1表示在当前的样本和选择的检验中，增加额外一个类别（从4类到5类）没有带来统计学上的显著改进。
2. **强调模型的解释性和理论基础**：解释为什么在您的研究领域或具体应用中，5类模型提供了更合理或更符合理论的分类方式。
3. **提及其他拟合优良性指标**：可以引入AIC、BIC等其他统计指标来辅助说明5类模型虽然统计检验不显著，但从模型信息量和复杂度平衡的角度是优于4类模型的。
4. **举例验证**：如果可能，提供实际数据应用中5类模型比4类模型更有效的案例。

通过上述步骤，您可以全面而合理地在论文中论述为什么选择5分类模型作为最优模型，即使在某些统计测试中这一模型似乎并不显著优越。这种方法不仅仅局限于模型的统计显著性，而是综合评估其理论和实际应用价值。

在您的问题中，p值等于1表明在Lo-Mendell-Rubin调整后的似然比检验和Vuoung-Lo-Mendell-Rubin似然比检验中，5类模型与4类模型比较时，没有统计显著的差异，表明增加一个类别并没有带来模型拟合的显著提升。这通常意味着从统计的角度，没有足够的证据表明5类模型比4类模型更优。

然而，统计检验的结果并非是评价模型唯一的标准。实际应用中，模型选择可以考虑多个方面的因素：
1. **理论指导**: 模型是否有好的理论基础支持。
2. **解释性**: 5类模型是否在实际应用中提供更深入的洞见和更有效的解释性。
3. **其他拟合指标**: 如信息准则（AIC、BIC等），这些可以帮助判断模型的复杂度和拟合度。

在论文中解释p=1的情况和为何选择5分类模型作为最优模型，可以按以下步骤进行：
1. **说明p值含义**：首先明确指出p值=1表示在当前的样本和选择的检验中，增加额外一个类别（从4类到5类）没有带来统计学上的显著改进。
2. **强调模型的解释性和理论基础**：解释为什么在您的研究领域或具体应用中，5类模型提供了更合理或更符合理论的分类方式。
3. **提及其他拟合优良性指标**：可以引入AIC、BIC等其他统计指标来辅助说明5类模型虽然统计检验不显著，但从模型信息量和复杂度平衡的角度是优于4类模型的。
4. **举例验证**：如果可能，提供实际数据应用中5类模型比4类模型更有效的案例。

通过上述步骤，您可以全面而合理地在论文中论述为什么选择5分类模型作为最优模型，即使在某些统计测试中这一模型似乎并不显著优越。这种方法不仅仅局限于模型的统计显著性，而是综合评估其理论和实际应用价值。

亮了(0)
回复

在论文中解释p值等于1并选择最优模型时，应采取详细而严谨的论述方式，充分考虑模型的统计检验结果、理论支撑、解释力和实际应用的适用性。以下是如何在论文中综合这些因素，合理阐述的建议步骤：

1. **详细解释p值的统计意义**：首先，明确指出p值等于1意味着在给定的样本大小和模型设定中，新增的类别（从4类增加到5类）没有产生统计上显著的改善。这表明在传统的统计显著性水平(p<0.05)下，5类模型与4类模型相比没有显著差异，即新加的类别在统计上并不是必需的。

2. **描述理论和实用角度的支持**：尽管统计检验未显示显著差异，理论基础或领域知识可能支持更细分的类别。详细描述为何理论或实际应用中需要更详尽的分类，并说明这种细分如何帮助更好地理解数据集或问题。例如，如果每个类别对应于不同的行为模式或治疗响应，则这种分组可能在实践中更有用。

3. **引入其他模型拟合指标**：提及除了似然比检验外，其他如信息准则（比如AIC和BIC）的结果支持5类模型。这些指标能帮助衡量模型的复杂度和拟合程度，有时候在决策模型选择时提供更全面的视角。

4. **讨论模型的可解释性与实用性**：强调尽管统计测试未显示优势，5类模型在数据解释和应用中提供了额外的价值。例如，更精细的分类能够帮助制定更针对性的策略或干预措施。

5. **建议提高样本大小或调整模型配置**：在讨论段落中，可以建议未来研究中提高样本大小或调整模型配置以增强模型的统计力，从而更可靠地评估分类数量的最优解。

6. **论文结论**：在结论部分，综合讨论模型的选择不仅依赖于统计显著性，还应考虑到模型的理论支持、解释力和实际应用的需求，从而证明即使p值为1，选择5类模型作为最优模型仍是合理的。

通过这种详细且综合性的讨论，您的论文可以有效地论证即使在面对非显著的统计检验结果时，也可以基于其他重要的考量因素选择最合适的模型。这样的处理不仅展示了数据分析的深度，也体现了解决实际问题的灵活性和创造性。

在论文中解释p值等于1并选择最优模型时，应采取详细而严谨的论述方式，充分考虑模型的统计检验结果、理论支撑、解释力和实际应用的适用性。以下是如何在论文中综合这些因素，合理阐述的建议步骤：

1. **详细解释p值的统计意义**：首先，明确指出p值等于1意味着在给定的样本大小和模型设定中，新增的类别（从4类增加到5类）没有产生统计上显著的改善。这表明在传统的统计显著性水平(p<0.05)下，5类模型与4类模型相比没有显著差异，即新加的类别在统计上并不是必需的。

2. **描述理论和实用角度的支持**：尽管统计检验未显示显著差异，理论基础或领域知识可能支持更细分的类别。详细描述为何理论或实际应用中需要更详尽的分类，并说明这种细分如何帮助更好地理解数据集或问题。例如，如果每个类别对应于不同的行为模式或治疗响应，则这种分组可能在实践中更有用。

3. **引入其他模型拟合指标**：提及除了似然比检验外，其他如信息准则（比如AIC和BIC）的结果支持5类模型。这些指标能帮助衡量模型的复杂度和拟合程度，有时候在决策模型选择时提供更全面的视角。

4. **讨论模型的可解释性与实用性**：强调尽管统计测试未显示优势，5类模型在数据解释和应用中提供了额外的价值。例如，更精细的分类能够帮助制定更针对性的策略或干预措施。

5. **建议提高样本大小或调整模型配置**：在讨论段落中，可以建议未来研究中提高样本大小或调整模型配置以增强模型的统计力，从而更可靠地评估分类数量的最优解。

6. **论文结论**：在结论部分，综合讨论模型的选择不仅依赖于统计显著性，还应考虑到模型的理论支持、解释力和实际应用的需求，从而证明即使p值为1，选择5类模型作为最优模型仍是合理的。

通过这种详细且综合性的讨论，您的论文可以有效地论证即使在面对非显著的统计检验结果时，也可以基于其他重要的考量因素选择最合适的模型。这样的处理不仅展示了数据分析的深度，也体现了解决实际问题的灵活性和创造性。

亮了(0)
回复

帮你用ai分析了一下

帮你用ai分析了一下

亮了(0)
回复
社区 » 步行街 » 考研区 » 在论文中应该如何解释...
Re：在论文中应该如何解释p=1以及可以选定其作为最优模型？
虎扑游戏中心

上海匡慧网络科技有限公司 沪B2-20211235 沪ICP备2021021198号-6  Copyright ©2021 KUANGHUI All Rights Reserved. 匡慧公司 版权所有