Bedste svar
Konstanten i en regressionsligning er værdien af den afhængige variabel de forklarende variabler får nul værdier. det betyder afhænger af, hvad regressionsligningen forklarer. For eksempel, hvis regressionsligningen er en samlet omkostningsfunktion, repræsenterer konstanten eller skæringspunktet de faste omkostninger, det vil sige, at det vil blive afholdt, om virksomheden ikke producerer og sælger noget. Hældningskoefficienten repræsenterer de variable omkostninger, der føjes til de samlede omkostninger, da produktionen foregår ved en enhed. I tilfælde af en lineær ligning med tidstendens, hvor tidstendensen måles som 0, 1, 2,3, … n år, er konstanten lig med begyndelsesværdien af tidsserien. i tilfælde af en dummyvariabel, der forklarer værdierne 0 eller 1, repræsenterer dummyvariabelens koefficient enten opadgående forskydning i konstanten, når den tilstand, der præsenteres af dummyvariablen, forekommer (tager værdien 1). / p>
Svar
Er anvendelse af en log på outputvariablen i en regressionsmodel (for at reducere overdispersion) en korrekt tilgang?
Hvorvidt brugen af en logtransformation til en afhængig variabel er passende, afhænger meget af arten af den afhængige variabel.
Når en variabel er et hyppighedstælling af adfærd (f.eks. antallet af kriminelle adfærd blandt HS-studerende) med en modalfrekvens på 0 og bred spredning af ikke-nul-scoringer, er det langt bedre at bruge en regressionsmodel, der giver mening for den slags data (såsom Poisson eller negativ binomial eller beta , nul-oppustet eller ej) end at log transformere scores. For eksempel:
Når scores på en variabel ikke adskiller sig med mindst 2 eller 3 størrelsesordener (f.eks. Højeste score er kun 10 gange laveste score snarere end 1000 gange), skal du kontrollere, om anvendelse af en logtransformation virkelig er korrekt for spredning. I situationer, hvor der er et begrænset interval af værdier for Y, kan korrelationen mellem Y og log (Y) være omkring .90. I denne situation har logtransformationen ikke rigtig ændret distributionens form meget, men du har nu problemet med at fortolke resultater i form af log Y.
Hvis scores varierer efter størrelsesordener ( som for nogle variabler inden for biologi og astronomi) kan log- eller magttransformationer (måske for både X og Y) være nyttige. Se eksemplet nedenfor: i denne situation korrigerer logtransformation ikke kun for ikke-normal (positivt skæv) fordelingsform; det lineariserer også X / Y-foreningen. Eksempel fra Warner, R. (2012). Anvendt statistik: Fra bivariate til multivariate teknikker. Thousand Oaks: Sage