Log Trasformazione Di Dati In Forex Stata

Per domande brevi e-mail dataprinceton. edu. Nessun pony. necessaria durante ore walk-in. Nota: il laboratorio DSS è aperto fintanto che Firestone è aperta, nessun appuntamento necessario utilizzare il computer del laboratorio per la propria analisi. Log trasformazioni Se la distribuzione di una variabile ha un disallineamento positivo, prendendo un logaritmo naturale della variabile volte aiuta raccordo variabile in un modello. Entra trasformazioni rendono distribuzione positivamente asimmetrica più normale. Inoltre, quando un cambiamento nella variabile dipendente è correlata con variazione percentuale variabile indipendente, o viceversa, il rapporto è meglio modellato prendendo il logaritmo naturale di una o entrambe le variabili. Per esempio, ho stima persone salariali basati su quelli istruzione, l'esperienza, e la regione di residenza utilizzando Statas nlsw88 dati di esempio, un estratto dal 1988 Nazionale Logitudinal studio di donne giovani. Sembra ok, ma quando guardo la distribuzione del possesso, sembra un po 'distorta. Così ho calcolare un logaritmo naturale del mandato. Sembra aver oltrepassato un po ', ma guarda un po' normale. Provo una regressione con il mandato registrato. L'R-squared ha ottenuto un po 'più alto, in modo da prendere il logaritmo naturale sembra aver contribuito ad adattarsi così il modello migliore. Quando si registra la variabile indipendente ma non la variabile dipendente, una variazione percentuale nella variabile indipendente è associata con 1100 volte la variazione coefficiente nella variabile dipendente. previsto salario -1.6390.681GRADE0.774LNTENURE-1.134SOUTH Così uno per cento di aumento in possesso è associato ad un aumento del salario di 0.01x0.774 o circa 0,0077. Ora esamino il salario, e trovo che è molto inclinata. Così prendo un logaritmo naturale del salario, e guardo la distribuzione dei salari registrato. La distribuzione sembra molto più normale. Ora corro lo stesso di regressione con il salario connesso come variabile dipendente. Quando si registra la variabile dipendente, ma non una variabile indipendente, un cambiamento una unità della variabile indipendente è associata a 100 volte la variazione percentuale coefficiente nella variabile dipendente. In questi dati, mandato si misura in anni: così, un aumento di anno in possesso aumenta il salario da 100x0.026 o circa 2,6. Se abbiamo registrato sia il dipendente e una variabile indipendente, allora siamo di fronte a elasticità: variazione percentuale nei risultati di X in variazione percentuale Y. predetto lnwage 0.659 0.084GRADE0.136LNTENURE-0.151SOUTH aumento di un per cento in possesso è stimata a provocare su 0.136 aumento di salario. copiare 2007 Il Truestees della Princeton University. Tutti i diritti riservati. dataprinceton. edu Questa pagina è stata aggiornata il 28 agosto, 20.082,10 trasformando i dati ora consideriamo che cosa fare se la diagnostica di regressione discussi nella sezione precedente indicano che il modello non è adeguata. Le soluzioni usuali comportano trasformare la risposta, trasformando i predittori, o entrambi. 2.10.1 Trasformare la Risposta La risposta è spesso trasformata per ottenere linearità e omoschedasticità o la varianza costante. Esempi di varianza stabilizzare trasformazioni sono la radice quadrata, che tende a funzionare bene per conteggi, e la trasformazione arco-seno, che spesso è appropriata quando la risposta è una proporzione. Queste due soluzioni sono caduti fuori moda come modelli lineari generalizzati progettati specificamente per affrontare i conteggi e le proporzioni sono aumentati in popolarità. La mia raccomandazione in questi due casi è quello di abbandonare il modello lineare a favore di alternative migliori, come la regressione di Poisson e regressione logistica. Trasformazioni per ottenere la linearità, o linearizzazione trasformazioni, sono ancora utili. Il più popolare di questi è il logaritmo, che è particolarmente utile quando si aspetta effetti siano proporzionali alla risposta. Per fissare le idee considerano un modello con un unico predittore (x), e supponiamo che la risposta dovrebbe aumentare (100rho) per cento per ogni punto di incremento (x). Supponiamo, inoltre, che il termine di errore, indicato (U), è moltiplicativo. Il modello può essere scritta come Y gamma (1rho) x U. Facendo log su entrambi i lati dell'equazione, si ottiene un modello lineare per la risposta trasformata log Y alpha beta x epsilon, dove la costante è (alpha loggamma), la pendenza è (betalog (1rho)) e il termine di errore è (epsilonlog U). Il solito assunzione di errori normali è equivalente ad assumere che (U) ha una distribuzione log-normale. In questo esempio, prendendo i registri ha trasformato un tempo relativamente complicato modello moltiplicativo di una forma lineare familiare. Questa mostra di sviluppo, tra l'altro, come interpretare il pendio in un modello di regressione lineare quando la risposta è in scala logaritmica. Risolvendo (rho) in termini di (beta), si vede che una unità di aumento (x) è associato ad un aumento di (100 (ebeta-1)) in percento (y). Se (beta) è piccola, (ebeta-1 ca. beta), in modo che il coefficiente può essere interpretato direttamente come effetto relativo. Per (beta copia 2017 Germaacuten Rodriacuteguez, Princeton University