Potential Estimation Problems and P

Potential Estimation Problems and Possible SolutionsOccasionally, there are problems with ML numerical methods:

結果 (繁體中文) 1:

他說，這是冒險使用ML與樣品小於100，而在500個樣本似乎足夠了。

如果有很多的參數需要進行更多的觀察-他認為，每個參數至少10個觀察值似乎是合理的，因為他討論了模型。

如果數據病態（如IV型是高度共線），或者如果沒有在DV（例如幾乎所有的結果是：1）小的變化需要更大的樣本。

有些車型似乎需要更多的情況下，例如有序回歸模型。

長和Allison雙方一致認為，標準的忠告是小樣本，你應該接受更大的p值作為對零假設的證據。鑑於到ML估計是正態分佈的小樣本度不明，它實際上更多的是合理的，要求小樣本p值較小，如使用.01級的意義，而不是為0.05。

結果 (繁體中文) 2:

他說，在樣本小於100的情況下使用ML是危險的，而超過500的樣本似乎足夠。

如果有很多參數，則需要更多的觀測值 - 他建議，對於他討論的模型而言，每個參數至少 10 個觀測值似乎是合理的。

如果資料不有條件的（例如，IV 是高度共線性的），或者如果 DV 中幾乎沒有變化（例如，幾乎所有結果都是 1），則需要較大的樣本。

某些模型似乎需要更多的情況，例如，序列回歸模型。

Long 和 Allison 都同意標準建議是，對於小樣本，您應該接受較大的 p 值作為反對零假設的證據。鑒於 ML 估計值在小樣本中正態分佈的程度未知，因此在小樣本中要求較小的 p 值（例如，使用 .01 顯著性級別而不是 .05）實際上更為合理。

結果 (繁體中文) 3:

他說，當樣本量小於100時使用ML是有風險的，而超過500的樣本似乎就足够了。
如果有很多參數，就需要更多的觀測數據——他建議，對於他所討論的模型，每個參數至少有10個觀測數據似乎是合理的。
如果數據是病態的（如IVs高度共線）或DV幾乎沒有變化（如幾乎所有結果都是1），則需要更大的樣本。
有些模型似乎需要更多的情况，例如序數回歸模型。
Long和Allison都同意，標準的建議是，對於小樣本，你應該接受較大的p值作為反對無效假設的證據。考慮到ML估計值在小樣本中常态分配的程度未知，在小樣本中要求較小的p值實際上更為合理，例如使用.01顯著性水准而不是.05。