Legjobb válasz
A regressziós egyenlet állandója a következő értéke: a függő változótól a magyarázó változók nulla értéket vesznek fel. jelentése attól függ, hogy mit magyaráz a regressziós egyenlet. Például, ha a regressziós egyenlet összköltségfüggvény, akkor az állandó vagy a metszéspont az állandó költséget jelenti, vagyis felmerül, függetlenül attól, hogy a létesítmény nem gyárt-e és nem ad el semmit. A meredekségi együttható azt a változó költséget jelöli, amely hozzáadódik a teljes költséghez, mivel a termelés egy egységgel valósul meg. Abban az esetben, ha egy idő trend lineáris egyenlet, ahol az idő trendet 0, 1, 2,3, … n évként mérjük, az állandó megegyezik az idősor kezdő értékével. 0 vagy 1 értékű magyarázó próbaváltozó esetén a próbaváltozó együtthatója vagy az állandó felfelé tolódását jelenti, amikor a próbaváltozó által bemutatott feltétel bekövetkezik (1 értéket vesz fel).
Válasz
Helyes megközelítés a napló alkalmazása a regressziós modell kimeneti változóján (a túlterjedés csökkentése érdekében)?
Az, hogy a log transzformáció egy függő változó számára megfelelő-e, nagyon függ a függő változó jellegétől.
Amikor egy változó a viselkedések (például a modellező gyakorisága 0 és a nem nulla pontszámok széles diszperziója esetén a delikvens magatartások száma a HS hallgatók körében) sokkal jobb, ha olyan regressziós modellt használunk, amely értelmes az ilyen típusú adatokhoz (például Poisson vagy negatív binomiális vagy béta) , nulla-felfújt vagy nem), mint hogy naplózza a pontszámok átalakítását. Például:
Ha egy változó pontszáma nem tér el legalább 2 vagy 3 nagyságrenddel (pl. A legmagasabb pontszám csak tízszerese a legalacsonyabb pontszámnak, nem pedig 1000-szeresnek), ellenőriznie kell, hogy a log transzformáció alkalmazása valóban megfelel-e a diszperziónak. Olyan helyzetekben, amikor az Y értéktartománya korlátozott, az Y és a log (Y) közötti korreláció 0,90 körül lehet. Ebben a helyzetben a naplótranszformáció nem igazán változtatta meg az eloszlás alakját, de most az a probléma merül fel, hogy az eredményeket log Y-ként értelmezzük.
Ha a pontszámok nagyságrendek szerint változnak ( mint a biológia és a csillagászat néhány változója esetében), a log vagy a teljesítménytranszformációk (talán mind az X, mind az Y esetében) hasznosak lehetnek. Lásd az alábbi példát: ebben a helyzetben a log transzformáció nemcsak a nem normális (pozitívan ferde) eloszlás alakját korrigálja; linearizálja az X / Y asszociációt is. Példa Warner, R. (2012). Alkalmazott statisztika: Kétváltozóstól kezdve többváltozós technikákig. Ezer Oaks: Zsálya