Statistics 如何比较不同统计测试的结果？

我不知道这是不是一个好问题

这是一个例子，假设我有一个尺度/连续的因变量和一堆自变量。我的最终目标是建立一个模型，用这些自变量预测/估计因变量。我相信这是一个普通的环境

关键是我知道所有变量的物理意义，但我不知道它们之间的详细关系（甚至不知道是否相关）。我想更多地从分析/解释的角度构建一个模型，这样我就可以从模型中获得一些真实世界的见解，而不是一个黑箱

我的方法是尝试使用CHAID算法来构建决策树类型的模型。在每个分支上，我想对每个自变量进行统计测试，看看它和因变量之间是否有关系。然后，根据测试结果，我想选择最强大的一个来构建我的树

问题是，与CHAID算法不同，CHAID算法中大多数变量是分类变量，在我的例子中，因变量是尺度，自变量是分类变量或尺度，这意味着我可能需要对不同的变量进行不同的统计测试，例如，对分类变量进行t检验和方差分析，对连续变量进行回归。我想知道我应该如何公平地比较这些结果，以选择最强大的一个？（如CHAID中的校正步骤）

---

关于我计划的任何部分的任何想法对我来说都是非常重要的！谢谢

我建议您目视检查因变量与每个自变量的散点图，以确定是否可以看到任何明显的关系，如对数或指数形状。这通常很容易做到，有时会产生有益的结果。好的建议！我已经这样做了，并且观察了某些自变量的某些模式。但是自变量是高度相关的，所以我想我需要滑动数据以获得更多的见解，这回到我的问题，如何找到最重要的变量。这是一个有趣的问题，但它超出了so的范围；我认为stats.stackexchange.com更合适。这就是说，我怀疑在这种情况下使用显著性检验是没有意义的，因为有了足够的数据，几乎所有变量都有足够的相关性来通过显著性检验。我的建议是采用贝叶斯模型平均法。对它的web搜索应该可以找到一些资源。如果你愿意的话，我可以说更多，也许在你在stats.stackexchange.com上提问之后。谢谢，罗伯特！我已经把问题贴在那里了。我试过，发现简单线性回归这样的结果由于斜率很小，没有太多意义。现在，我正在考虑把连续的自变量组合起来，这样所有的测试都是相同的方差分析/卡方检验。我将阅读有关贝叶斯模型平均方法的内容。在进行组合步骤之前，贝叶斯模型平均似乎需要多个模型，而我正在尝试构建我的第一个模型。