Paras vastaus
Regressioyhtälön vakio on arvon riippuva muuttuja, selittävät muuttujat saavat nolla-arvot. sen merkitys riippuu siitä, mitä regressioyhtälö selittää. Esimerkiksi, jos regressioyhtälö on kokonaiskustannusfunktio, vakio tai sieppaus edustaa kiinteitä kustannuksia, ts. Syntyy, tuottaako laitos mitään eikä myy mitään. Kaltevuuskerroin edustaa muuttuvia kustannuksia, jotka lisätään kokonaiskustannuksiin tuotannon ollessa käynnissä yksiköllä. Aikasuunnan lineaarinen yhtälö, jossa aikatrendiksi mitataan 0, 1, 2,3,… n vuotta, vakio on yhtä suuri kuin aikasarjan alkuarvo. jos kyseessä on selittävä muuttuja, jonka arvot ovat 0 tai 1, nuken muuttujan kerroin edustaa joko vakion ylöspäin suuntautuvaa muutosta, kun nuken muuttujan esittämä ehto tapahtuu (arvo on 1).
vastaus
Onko lokin käyttäminen regressiomallin lähtömuuttujaan (ylidispersion vähentämiseksi) oikea tapa?
Lokimuunnoksen käyttö riippuvaiselle muuttujalle on tarkoituksenmukaista, riippuu suuresti riippuvan muuttujan luonteesta.
Kun muuttuja on käyttäytymisten (kuten HS-opiskelijoiden rikkomuksellisten käytösten lukumäärä), modaalitaajuudella 0 ja ei-nollapisteiden laajalla hajonnalla, on paljon parempi käyttää regressiomallia, joka on järkevää tällaisille tiedoille (kuten Poisson tai negatiivinen binomi tai beeta) , nolla-paisutettu tai ei) kuin kirjata muuntamaan pisteet. Esimerkki:
Kun muuttujan pisteet eivät eroa vähintään 2 tai 3 suuruusluokkaa (esim. Korkein on vain 10 kertaa pienin pisteet eikä 1000 kertaa), sinun on tarkistettava, onko lokimuunnoksen soveltaminen todella dispersiota. Tilanteissa, joissa Y: n arvoalue on rajoitettu, Y: n ja log (Y): n välinen korrelaatio voi olla noin .90. Tässä tilanteessa lokimuunnos ei ole oikeastaan muuttanut jakauman muotoa kovin paljon, mutta sinulla on nyt ongelma tulkita tuloksia log Y: n muodossa.
Jos pisteet vaihtelevat suuruusluokittain ( kuten joillekin biologian ja tähtitieteen muuttujille), log- tai tehomuutokset (ehkä sekä X: lle että Y: lle) voivat olla hyödyllisiä. Katso alla oleva esimerkki: tässä tilanteessa lokimuunnos ei vain korjaa epänormaalin (positiivisesti vinon) jakauman muodon; se myös linearisoi X / Y-assosiaation. Esimerkki Warner, R. (2012). Sovelletut tilastot: Kaksimuuttujasta monimuuttujatekniikoihin. Tuhat Oaksia: Sage