我正在使用R中的jumps包进行作业。给了我一个结果变量和20个独立变量，并告诉我找到生成数据点的模型。我将其范围缩小到两个模型，它们之间的区别仅在于一次交互作用。在1999 df上，我的显着性水平为0.001，t值为3.295。当我检查包含此二阶相互作用的模型时，其t值非常接近但略高于3.295，而其p值仅为0.000991。
是否可以通过添加此术语来确保我没有犯I型错误？有人告诉我将变量插入不具有交互作用项的回归中，如果它们仍然有效，则可能在模型中。但是，我的教授也向我们解释了，最简单的解释通常是正确的解释（奥卡姆剃刀）。
对于这个含糊不清的内容，我们深感抱歉，但是我非常犹豫，无法在线上发布有关该项目的太多信息。
答案 0 :(得分：0)
正如您所指出的那样，在模型选择中，您通常希望采用更多的简约模型，以便它们具有较少的假设。调整R平方的作品；不过，更受欢迎的方法是赤池的信息准则和贝叶斯信息准则。通常，BIC比AIC更保守。当人们使用AIC或BIC时，他们通常希望得分更低。没有意义，因为这是完全相对的措施。
当您谈论重大差异时，我认为您是在谈论偏差分析。可能性按卡方分布分布，因此您可以使用对数似然比检验可以检验两个模型之间的差异，如果两个模型相互嵌套，则可以使用ANOVA进行检验通过添加参数来描述模型的不同之处。参数的单个对比是否显着并不必然使您的模型更适合，所以您要做的是针对与该模型几乎相同的模型测试整个模型。
代码就是anova(reducedmodel, fullmodel)
或者，可以使用lmtest软件包lrtest(fullmodel,reducedmodel)