स्टटा फॉरेक्स में डेटा के परिवर्तन लॉग करें

शीघ्र प्रश्न ईमेल के लिए dataprinceton. edu कोई ऐप नहीं वॉकर-इन बजे के दौरान आवश्यक नोट: डीएसएएस प्रयोगशाला तब तक खुली है जब तक कि अग्नि का पत्थर खुले नहीं है, प्रयोगशाला कंप्यूटरों को अपने विश्लेषण के लिए उपयोग करने के लिए आवश्यक कोई नियुक्ति नहीं है। परिवर्तनों को लॉग करें यदि एक चर के वितरण में एक सकारात्मक तिरछा होता है, तो एक वैल्यू को एक मॉडल में वैरिएबल को फिटिंग करने में मदद करता है। लॉग परिवर्तनों को सकारात्मक रूप से विषम वितरण अधिक सामान्य बनाते हैं। इसके अलावा, जब आश्रित चर में परिवर्तन स्वतंत्र चर में प्रतिशत परिवर्तन से संबंधित होता है, या इसके विपरीत, संबंधों को या तो दोनों या दोनों के प्राकृतिक लॉग लेकर बेहतर मॉडल बना दिया जाता है। उदाहरण के लिए, मैं व्यक्तियों के वेतन, आंकड़ों, अनुभव और निवास के क्षेत्र के आंकड़ों के आधार पर अनुमान लगाता है जो आंकड़ों के उपयोग के आंकड़ों का उपयोग करते हैं। एनएलएस 8888, युवा महिलाओं के 1988 के राष्ट्रीय प्रयोगिनी अध्ययन यह ठीक दिखता है, लेकिन जब मैं कार्यकाल के वितरण को देखता हूं, तो यह कुछ हद तक थोड़े दिखता है। इसलिए मैं कार्यकाल की एक प्राकृतिक लॉग की गणना करता हूं ऐसा लगता है कि थोड़ी देर में ओहोस्ट हो गया है, लेकिन कुछ सामान्य दिखता है मैं लॉग इन अवधि के साथ प्रतिगमन का प्रयास करता हूं आर-स्क्वेयर ने थोड़ा अधिक कमाया है, इसलिए प्राकृतिक लॉग लेते हुए मॉडल बेहतर ढंग से फिट करने में मदद मिली है। जब स्वतंत्र चर लेकिन निर्भर चर लॉग नहीं होता है, स्वतंत्र परिवर्तनीय में एक प्रतिशत परिवर्तन निर्भर चर में 1100 गुना गुणांक परिवर्तन से जुड़ा होता है। भविष्यवाणी मजदूरी -1.6390.681GRADE0.774 लन्दन-1.134 साउथ तो कार्यकाल में एक प्रतिशत वृद्धि 0.01x0.774 या 0.0077 के मजदूरी में वृद्धि के साथ जुड़ा हुआ है। अब मैं मजदूरी की जांच करता हूं, और पाया कि यह बहुत तिरछा है। इसलिए मैं मजदूरी का एक प्राकृतिक लॉग लेता हूं, और लॉग इन मेहनत के वितरण को देखो। वितरण अधिक सामान्य दिखता है अब मैं एक ही प्रतिगमन को निरंतर चर के रूप में लॉग किए गए वेतन के साथ चलाता हूं। जब आश्रित चर, लेकिन एक स्वतंत्र चर लॉग नहीं है, स्वतंत्र चर में एक-इकाई परिवर्तन आश्रित चर में 100 गुना गुणांक प्रतिशत के साथ जुड़ा हुआ है। इस आंकड़ों में, कार्यकाल वर्षों में मापा जाता है: इसलिए, कार्यकाल में एक वर्ष की वृद्धि मजदूरी को 100x0.026 या 2.6 के बीच बढ़ा देती है। अगर हम दोनों निर्भर और एक स्वतंत्र चर दोनों लॉग इन करते हैं, तो हम लोच देख रहे हैं: एक्स परिणामों में प्रतिशत परिवर्तन में Y. में प्रतिशत में बदलाव का अनुमान है lnwage 0.659 0.084GRADE0.136LNTENURE-0.151SOUTH कार्यकाल में एक प्रतिशत की वृद्धि के बारे में अनुमान लगाया गया है मजदूरी में 0.136 वृद्धि कॉपी 2007 प्रिंसटन विश्वविद्यालय के ट्रस्टीज़ सर्वाधिकार सुरक्षित। dataprinceton. edu यह पेज 28, 20082.10 पर अंतिम बार अपडेट किया गया था। डेटा को ट्रांसफ़ॉर्म करना अब हम सोचते हैं कि क्या करना चाहिए, यदि पिछले खंड में चर्चा हुई प्रतिगमन डायग्नोस्टिक्स से संकेत मिलता है कि मॉडल पर्याप्त नहीं है सामान्य समाधान में प्रतिक्रिया बदलने, भविष्यवाणियों को बदलने या दोनों को शामिल करना शामिल है। 2.10.1 रिस्पांस को ट्रांसफ़ॉर्म करना प्रतिक्रिया को अक्सर लीनियरिटी और होमोसेसास्टिकिया या निरंतर विचरण प्राप्त करने के लिए परिवर्तित किया जाता है। परिवर्तनों के स्थिरता के उदाहरणों में वर्गमूल होते हैं, जो गणना के लिए अच्छी तरह से काम करती हैं, और चाप-सीन परिवर्तन, जो आमतौर पर उचित होता है जब प्रतिक्रिया एक अनुपात होता है। ये दो समाधान फैशन से बाहर गिर गए हैं क्योंकि सामान्यीकृत रैखिक मॉडलों को विशेष रूप से तैयार किए गए गिनती और अनुपात से निपटने के लिए लोकप्रियता में वृद्धि हुई है। इन दोनों मामलों में मेरी सिफारिशों को बेहतर विकल्प के पक्ष में रेखीय मॉडल को छोड़ना है जैसे पॉसों का प्रतिगमन और उप-रिवर्सियन प्रतिगमन लीनारीयता प्राप्त करने के लिए ट्रांसफार्मेशन या रेखीयकरण परिवर्तन, अभी भी उपयोगी हैं उनमें से सबसे लोकप्रिय लॉगरिदम है, जो विशेष रूप से उपयोगी होता है जब किसी व्यक्ति को प्रतिक्रिया के आनुपातिक होने की अपेक्षा होती है। विचारों को ठीक करने के लिए एक प्रोजेक्टर (एक्स) के साथ एक मॉडल पर विचार करें, और लगता है कि (x) में वृद्धि के प्रत्येक बिंदु के लिए प्रतिक्रिया (100 आर्हो) प्रतिशत बढ़ने की उम्मीद है। मान लीजिए कि त्रुटि शब्द, निरूपित (यू), गुणात्मक है इस मॉडल को वाई गामा (1 आर्हो) एक्स यू के रूप में लिखा जा सकता है। समीकरण के दोनों ओर लॉग्स लेते हुए, हम ट्रांसफार्म किए गए प्रतिक्रिया लॉग वाई अल्फा बीटा एक्स एपिसिलोन के लिए एक रेखीय मॉडल प्राप्त करते हैं, जहां निरंतर (अल्फा लॉगगामा) है ढलान है (बीटाओलॉग (1 आर्हो)) और त्रुटि शब्द (एपिसलोनॉग यू) है सामान्य त्रुटियों का सामान्य धारणा यह माना जाता है कि (यू) के पास एक लॉग-सामान्य वितरण होता है। लॉग इन उदाहरणों में एक परिचित रैखिक रूप में एक अपेक्षाकृत जटिल बहुरूपता मॉडल को रूपांतरित किया है। यह विकास दिखाता है, संयोगवश, एक रेखीय प्रतिगमन मॉडल में ढलान की व्याख्या कैसे करें जब प्रतिक्रिया लॉग पैमाने पर होती है। (बीटा) के संदर्भ में (आरओ) के लिए हल करना, हम देखते हैं कि (x) में एक इकाई वृद्धि (y) में वृद्धि (100 (ईबीटा-1)) के साथ जुड़ा है। यदि (बीटा) छोटा है, (एबिटा -1 बीटा बीटा), तो गुणांक को सापेक्षिक प्रभाव के रूप में सीधे व्याख्या किया जा सकता है। (बीटा प्रति 2017 जर्मटाकटन रॉड्रीक्यूटेग्यूज़, प्रिंसटन विश्वविद्यालय के लिए