स्टेटा फॉरेक्स में डेटा के परिवर्तन

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-इन मजदूरी 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 पृष्ठ पिछला 28 अगस्त, 2008 को लिखा गया था लियनेर सांख्यिकीय मॉडल: प्रतिगमन डेटा परिवर्तन ट्रांसफ़ॉर्मेशन का उद्देश्य प्रतिगमन मॉडल को रेखांकित करने के लिए। विचरण को स्थिर करने के लिए (विचरण की विविधता को कम करें, उत्परिवर्तनीयता)। चर सामान्य करने के लिए कुछ परिवर्तन एक से अधिक प्रयोजनों की सेवा करेंगे। उदाहरण के लिए, एक परिवर्तन जो एक चर को रेखांकित करता है, वह भी इसे सामान्य करने में मदद कर सकता है। रूपांतरण के कारण आवश्यक हो सकता है: सैद्धांतिक विचार आश्रित चर में एक संभावना वितरण हो सकता है जिसमें मतलब विचरण से संबंधित होता है। अवशिष्टों की परीक्षा से अनुभवजन्य साक्ष्य परिवर्तन करने वाले चर निर्भर चर को परिवर्तित किया जा सकता है। नोट: यह मॉडल में सभी भविष्यवक्ता चर के आधार पर निर्भर चर का संबंध प्रभावित करता है। व्यक्तिगत भविष्यवक्ता चर को परिवर्तित किया जा सकता है। निर्भर और स्वतंत्र दोनों चर को बदल दिया जा सकता है मेजर ड्राबैक प्रतिगमन की व्याख्या में परिवर्तनशील चर शामिल हैं और मूल चर स्वयं नहीं। परिवर्तनशील चर के मूल चर में संबंध मुश्किल या भ्रामक हो सकता है। परिवर्तन मूल डेटा में सभी समस्याओं को सुधारने में सक्षम नहीं हो सकता है, प्रतिगमन विश्लेषण अभी भी संदेह हो सकता है। 1. लगातार बढ़ती ढलान के साथ प्रतिगमन मॉडल को लाइनरीइज़ करने के लिए। 2. विचरण को स्थिर करें जब अवशिष्टों का भिन्नता Y बढ़ते हुए स्पष्ट रूप से बढ़ता है। 3. वाई के सामान्य होने पर, अवशिष्टों का वितरण सकारात्मक रूप से पतला है। स्टेटा उदाहरण स्क्वायर रूट (एसक्यूआरटी) ट्रांसफ़ॉर्मेशन, जब वाई के मतलब के अनुपात में विचरण को स्थिर करने के लिए प्रयुक्त होता है, खासकर जब Y एक पॉसॉन डिस्ट्रीब्यू के बारे में बताता है। वाई के मतलब के चौथे शक्ति के अनुपात में अंतर को स्थिर करने के लिए, यानी वाई के कुछ सीमा से ऊपर भिन्नता में भारी वृद्धि Y. के बड़े मूल्यों के प्रभाव को कम करने के लिए है। ट्रांसफ़ॉर्टेड बड़े वाई शून्य के करीब होंगे, इस प्रकार वाई में बड़ी बढ़ोतरी वाई में केवल छोटी कमी हो जाएगी। 1. जब एक्स बनाम वाईवेलिअनर नीचे की ओर बढ़ता है, तो अर्थात् एक्स के रूप में ढलान कम हो जाता है .. 2. जब यह वाई के माध्य से घटा जाता है तो विचरण को स्थिर करें। 3. अवशिष्टों का वितरण करते समय सामान्यीकृत वाई नकारात्मक तिरछा विचरण को स्थिर करें जब Y एक अनुपात या दर है पॉसॉन वितरण संभावित परिवर्तन: पॉसॉन उदाहरण एक विशिष्ट समय अवधि, क्षेत्र या मात्रा में ईवेंट की संख्या। प्रति माह दुर्घटना प्रति पृष्ठ टाइपिंग त्रुटियाँ उत्सर्जन में प्रति लाख विषाक्त पदार्थों का हिस्सा टेलर विंडो में प्रति मिनट आवंटित प्रति माह कंप्यूटर टूटने की संख्या द्विपदीय वितरण संभव परिवर्तन: नकारात्मक द्विपदीय वितरण उच्च स्क्वॉड वितरण के साथ शुरू होता है। एसक्यूआरटी परिवर्तन: बेहतर लॉग परिवर्तन: बहुत अधिक .25 पावर को बढ़ाया: सबसे अच्छा अब तक क्या करना है यदि आप यह नहीं समझ सकते कि शक्तियों की सीढ़ी का उपयोग करने के लिए कौन सी परिवर्तन है: निम्नलिखित परिवर्तनों और परीक्षण के लिए प्रत्येक सामान्यता का परीक्षण करता है: वाई 3. वाई 2. वाई, एसकेआरटी (वाई), एलएन (वाई), 1 एसक्यूआरटी (वाई), 1 वाई, 1 ए 2। 1 ए 3। स्टेटा में कमांड है: बॉक्स-कॉक्स ट्रांसफ़ॉर्मेशन: परिवर्तन के लिए यू का मान ढूँढता है, (यू -1) यू, जो परिवर्तनित चर normalizes। मूल्यों को परिवर्तित किया जाना कड़ाई से सकारात्मक होना चाहिए, जो कि शून्य से अधिक है स्ताट में कमांड है: