Beste antwoord
De constante in een regressievergelijking is de waarde van de afhankelijke variabele de verklarende variabelen krijgen nulwaarden. de betekenis hangt af van wat de regressievergelijking uitlegt. Als de regressievergelijking bijvoorbeeld een functie van de totale kosten is, vertegenwoordigt de constante of het snijpunt de vaste kosten, dat wil zeggen dat het wordt gemaakt of het etablissement niets produceert en verkoopt. De hellingscoëfficiënt vertegenwoordigt de variabele kosten die bij de totale kosten zullen worden opgeteld naarmate de productie per eenheid binnenkomt. In het geval een lineaire vergelijking voor een tijdtrend waarbij de tijdstrend wordt gemeten als 0, 1, 2,3,… n jaar, is de constante gelijk aan de beginwaarde van de tijdreeks. in het geval van een dummyvariabele die verklarend is met waarden 0 of 1, vertegenwoordigt de coëfficiënt van de dummyvariabele ofwel een opwaartse verschuiving in de constante wanneer de conditie die door de dummyvariabele wordt gepresenteerd zich voordoet (waarbij de waarde 1 wordt aangenomen).
Antwoord
Is het toepassen van een logboek op de uitvoervariabele van een regressiemodel (om overdispersie te verminderen) een correcte aanpak?
Of het gebruik van een logtransformatie voor een afhankelijke variabele geschikt is, hangt sterk af van de aard van de afhankelijke variabele.
Wanneer een variabele een frequentie is, telt het gedrag (zoals het aantal delinquent gedrag onder HS-studenten) met een modale frequentie van 0 en een brede spreiding van niet-nulscores, is het veel beter om een regressiemodel te gebruiken dat zinvol is voor dat soort gegevens (zoals Poisson of negatief binominaal of bèta , nul opgeblazen of niet) dan om de scores te loggen. Bijvoorbeeld:
Wanneer scores op een variabele niet minstens 2 of 3 orden van grootte verschillen (bijv. score is slechts 10 keer de laagste score in plaats van 1000 keer), moet u controleren of het toepassen van een logtransformatie echt de spreiding corrigeert. In situaties waarin er een beperkt waardenbereik is voor Y, kan de correlatie tussen Y en log (Y) rond de 0,90 zijn. In deze situatie heeft de logtransformatie de vorm van de distributie niet echt veel veranderd, maar je hebt nu het probleem om de resultaten te interpreteren in termen van log Y.
Als scores verschillen met ordes van grootte ( wat betreft sommige variabelen in de biologie en astronomie), kunnen log- of machtstransformaties (misschien voor zowel X als Y) nuttig zijn. Zie onderstaand voorbeeld: in deze situatie corrigeert logtransformatie niet alleen voor niet-normale (positief scheefgetrokken) distributievormen; het lineariseert ook de X / Y-associatie. Voorbeeld van Warner, R. (2012). Toegepaste statistiek: van bivariate tot multivariate technieken. Thousand Oaks: Sage