如何解释GAM P值？

我叫休，我是一名使用广义加性模型进行探索性分析的博士研究生。

我不确定如何解释来自MGCV软件包的p值，并想检查我的理解（我使用的是1.7-29版，并已查阅了Simon Wood的一些文档）。我首先寻找了其他简历问题，但最相关的问题似乎与一般回归有关，尤其不是GAM p值。

我知道GAM有很多不同的参数，而p值仅是近似值。但是，我只是简单地开始看看我的协变量是否存在任何“信号”。例如：

Y〜s（a，k = 3）+ s（b，k = 3）+ s（c，k = 3）+ s（d，k = 3）+ s（e，k = 3）

平滑项的近似p值：

s（a）= 0.000473
s（b）= 1.13e-05
s（c）= 0.000736
s（d）= 0.887579
s（e）= 0.234017

ř ²（调整）= 0.62$\quad$ 解释的偏差= 63.7％
GCV分数= 411.17$\quad$ 规模估算值= 390.1$\quad$ n = 120

由于格式化，我剪切了df列等。我将每个协变量的p值解释为测试相应的平滑函数是否显着降低模型偏差，其中p是获得数据的概率至少与在零模型0下观察到的“相对不可信”。

这将意味着（例如，在alpha = 0.05的情况下）与零模型相比，平滑函数不会减小“ d”和“ e”的偏差，而对于其他项却会减小。因此，（d）和（e）不会在回归中添加重要信息，并且解释的偏差可归结为（a）（b）（c）？

任何建议将不胜感激，并祝您研究顺利。

描述它们如何工作的论文在这里。

它们是与Wald检验相关联的p值，整个函数s（。）=0。低p值表示组成函数的样条共同为零的可能性很小。

关于它们的复杂之处在于它们涉及到降秩的伪逆。典型的Wald测试是$\hat f (V_\beta)^{-1} \hat f$。您可以立即看到这是单变量情况下的t检验（即，不是矩阵，而是beta和方差）。在受罚样条的情况下，这会产生非常低的功效，因为这些coefficeints受了惩罚。rank-r伪逆说明了这一点。论文确实非常密集，但是一旦掌握了基本要点（通过考虑EDF而不是矩阵等级来提高测试的功能），就可以遵循形式主义。