स्टैटा फॉरेक्स में प्राकृतिक लॉग रूपांतरण


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 आंकड़े nlsw88, 1988 से युवा निकायों के राष्ट्रीय प्रयोगिनी अध्ययन से निकाले गए हैं। 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 28 अगस्त, 2008 को अंतिम बार अपडेट किया गया था: आईडीआरई सांख्यिकी सलाहकार समूह वेबसाईट को फरवरी में सीएमएस में माइग्रेट करेगा और नई सामग्री के रख-रखाव और सृजन की सुविधा प्रदान करेगा। हमारे कुछ पुराने पृष्ठों को हटा दिया जाएगा या संग्रहीत किया जाएगा ताकि उन्हें अब बनाए रखा नहीं जाएगा हम रीडायरेक्ट बनाए रखने का प्रयास करेंगे ताकि पुरानी यूआरएल हम जितनी अच्छी तरह काम कर सकें उतना काम जारी रहेगा। डिजिटल रिसर्च और एजुकेशन फॉर डिजिटल रिसर्च एंड एजुकेशन में आपका स्वागत है एक उपहार देने के लिए स्टेट कंसल्टिंग ग्रुप द्वारा मदद करें। अक्सर जब कुछ चर लॉग इन हो जाते हैं तो हम एक प्रतिगमन मॉडल की व्याख्या कैसे करते हैं। परिचय इस पेज में, हम चर्चा करेंगे कि एक प्रतिगमन मॉडल की व्याख्या कैसे करें जब कुछ चर मॉडल लॉग इन किया गया है। उदाहरण डेटा यहां डाउनलोड किया जा सकता है (फाइल. csv प्रारूप में है)। डेटा सेट में वेरिएबल लिख रहे हैं, पढ़ना, और गणित स्कोर (लिखें। पढ़ें और गणित) लॉग रूपांतरित लिखित (एलजीआरआईटीईटी) और लॉग ट्रांसएज्ड गणित स्कोर (एलजीमाथ) और मादा। इन उदाहरणों के लिए, हमने प्राकृतिक लॉग (एलएन) लिया है। सभी उदाहरण स्टैटा में किए जाते हैं, लेकिन ये किसी भी सांख्यिकीय पैकेज में आसानी से उत्पन्न हो सकते हैं। नीचे दिए गए उदाहरणों में, वेरिएबल लिखना या इसके लॉग ट्रांसज्ज्ड वर्जन का उपयोग आउटपुट वेरिएबल के रूप में किया जाएगा। उदाहरणों को स्पष्ट उद्देश्यों के लिए उपयोग किया जाता है और वे मूल भाव को बनाने के लिए अभिप्रेत नहीं हैं। यहाँ चर लिखने के लिए विभिन्न प्रकार के तरीकों की एक तालिका है। आउटपुट वेरिएबल लॉग में परिवर्तित किया गया है बहुत बार, एक रेखीय संबंध एक लॉग के परिणामस्वरूप परिवर्तनीय और भविष्यवाचक चर का एक समूह के बीच परिकल्पना है। लिखित गणितीय, रिश्ते समीकरण का अनुसरण करते हैं जहां y परिणाम चर और x1 होता है। एक्सके भविष्यवाचक चर हैं दूसरे शब्दों में, हम यह मानते हैं कि लॉग (वाई) - x 946 सामान्य रूप से वितरित किया जाता है, (या y सभी सामान्य स्तर पर सामान्य रूप से लॉग-सामान्य है।) चूंकि यह केवल एक सामान्य कम से कम वर्ग प्रतिगमन है, हम आसानी से एक प्रतिगमन गुणांक व्याख्या कर सकते हैं, 946 1, जैसा कि x1 में एक-इकाई वृद्धि के संबंध में वाई के लॉग में अपेक्षित परिवर्तन, किसी भी निश्चित मूल्य पर अन्य सभी चर को धारण करता है, मानते हुए कि x1 केवल मुख्य प्रभाव के रूप में मॉडल में प्रवेश करता है लेकिन अगर हम यह जानना चाहते हैं कि x1 में एक-इकाई वृद्धि के लिए परिणाम व्हील y का क्या होता है, तो यह करने का प्राकृतिक तरीका एक्सपोनेंटियेटेड प्रतिगमन सहगुणकों, एक्सपी (946) की व्याख्या करना है। चूंकि exponentiation लघुगणक फ़ंक्शन के व्युत्क्रम है चलिए इंटरसेप्ट-केवल मॉडल से शुरू करते हैं, लॉग (लिखे) 946 0 हम यह कह सकते हैं कि 3. 9 5 लिखने के लिए लॉग इन का बिना शर्त उम्मीद है। इसलिए एक्सपोनेंटेड मान एक्सप (3. 9 48347) 51.85 है। यह लिखने का ज्यामितीय मतलब है यहां पर जोर दिया जाता है कि यह गणितीय मतलब के बजाय ज्यामितीय माध्य है। मूल वैरिएबल के ओएलएस प्रतिगमन का उपयोग अनुमानित अंकगणित माध्य और ओएलएस प्रतिगमन को लॉग परिवर्तनित परिणाम चर का अनुमान लगाने के लिए किया जाता है, जो मूल वैरिएबल के अपेक्षित ज्यामितीय माध्य का अनुमान लगाता है। अब एक द्विआधारी भविष्यवक्ता चर के साथ एक मॉडल पर आगे बढ़ने देता है। इन मापदंडों की व्याख्या में डाइविंग करने से पहले, हमारे आश्रित चर का अर्थ प्राप्त करें, लिखें। लिंग द्वारा अब हम दो समूहों के लिए ज्यामितीय साधनों के पैरामीटर अनुमान को मैप कर सकते हैं। 3.89 का अवरोध लिखने का ज्यामितीय माध्य का लॉग है जब महिला 0, अर्थात पुरुषों के लिए। इसलिए, इसका एक्सपोनेंटेड मान पुरुष समूह के लिए ज्यामितीय माध्य है: एप (3.8 9 2) 49.01 हम महिला के गुणांक के बारे में क्या कह सकते हैं लॉग स्केल में, यह महिला छात्रों और पुरुष छात्रों के बीच लिखित लॉग के अपेक्षित ज्यामितीय माध्यमों में अंतर है। चर लिखने के मूल पैमाने पर यह पुरुष छात्रों, एक्सपी (.1032614) 54.3438349.01222 1.11 के लिए लिखने के ज्यामितीय माध्य पर महिला छात्रों के लिए लिखने के ज्यामितीय माध्य का अनुपात है। प्रतिशत परिवर्तन के संदर्भ में, हम यह कह सकते हैं कि पुरुष छात्रों से महिला छात्रों के लिए स्विचन, हमें उम्मीद है कि लेखन स्कोर के ज्यामितीय माध्य में 11 में वृद्धि होगी। आखिरकार, कई प्रक्षेपक चर वाले मॉडल को देखने दें। मादा के लिए एक्सपोन्नेएटेड गुणांक एक्स्प (9 46 1) पुरुष छात्र समूह के लिए अपेक्षित ज्यामितीय माध्य पर महिला विद्यार्थियों के लिए अपेक्षित ज्यामितीय माध्य का अनुपात है, जब पढ़ा जाता है और गणित कुछ निश्चित मूल्य पर आयोजित होता है। बेशक, पुरुष और महिला छात्रों के लिए अपेक्षित ज्यामितीय माध्यम पढ़ने और गणित के विभिन्न मूल्यों के लिए अलग होंगे। हालांकि, उनका अनुपात एक निरंतर है: एक्सप (9 46 1) हमारे उदाहरण में, exp (946 1) exp (। 114718) 1.12 हम कह सकते हैं कि पुरुष छात्रों की तुलना में महिला छात्रों के लिए लेखन स्कोर 12 उच्चतर होंगे। चर पढ़ने के लिए हम यह कह सकते हैं कि पढ़ने में एक-इकाई वृद्धि के लिए हमें लिखित स्कोर में 0.7 की वृद्धि के बारे में देखने की उम्मीद है, क्योंकि एक्सपी (.0066305) 1.006653 पढ़ने में दस-यूनिट की वृद्धि के लिए हमें उम्मीद है कि लिखित स्कोर में एक 6.9 वृद्धि होगी, क्योंकि एक्सपी (.006630510) 1.0685526 अवरोधन कम रोचक हो जाता है जब भविष्यवक्ता चर केंद्रित नहीं होते हैं और निरंतर होते हैं। इस विशेष मॉडल में, अवरोधक पुरुष (महिला 0) के लिए लॉग (लिखित) के लिए अपेक्षित मतलब है जब पढ़ा जाता है और गणित शून्य के बराबर होते हैं। संक्षेप में, जब परिणाम वैरिएबल लॉग रूपांतरित होता है, तो एक्सपोनेंटियेटेड प्रतिगमन गुणांक की व्याख्या करना स्वाभाविक है। ये मान मूल परिणाम चर के अपेक्षित ज्यामितीय साधनों के अनुपात में परिवर्तन के अनुरूप हैं। कुछ (सभी नहीं) भविष्यवक्ता चर लॉग इन हैं, कभी-कभी रूपांतरित किए जाते हैं, हमारे पास कुछ भविष्यवक्ता चर लॉग होने वाले हैं। इस खंड में, हम एक उदाहरण पर एक नज़र डालेंगे, जहां कुछ भविष्यवक्ता चर लॉग-ट्रांसफ़ॉर्म किए जाते हैं, लेकिन परिणाम वैरिएबल इसके मूल पैमाने पर है। समीकरण में लिखा गया है, चूंकि यह एक ओएलएस प्रतिगमन है, गैर-रूपांतरित वेरिएबल्स के लिए प्रतिगमन गुणांक की व्याख्या एक ओएलएस प्रतिगमन से कोई परिवर्तन नहीं किए गए चर के बिना अपरिवर्तित हैं। उदाहरण के लिए, मादा और पुरुष छात्रों के बीच स्कोर लिखने की उम्मीद का मतलब लगभग 5.4 अंक है, जो कि अन्य भविष्यवक्ता चर निरंतर रखता है। दूसरी तरफ, लॉग परिवर्तन के कारण, गणित के अनुमानित प्रभाव और पढ़ना अब रैखिक नहीं है, भले ही lgmath और lgread के प्रभाव रैखिक हैं नीचे की साजिश में महिला विद्यार्थियों के गणित अंक निरंतर के लिए पठन स्कोर के मुकाबले अनुमानित मानों की वक्र से पता चलता है। पढ़ने के स्कोर के प्रवेश के चर के लिए हम 16.85218 के गुणांक की व्याख्या कैसे करते हैं, पढ़ने के स्कोर, आर 1 और आर 2 के दो मान लेते हैं। आर 1 और आर 2 पर स्कोर लिखने में अपेक्षित अर्थ अंतर, अन्य भविष्यवक्ता चर स्थिर रखने वाले, लिखते हैं (आर 2) - लिखना (आर 1) 946 3 (लॉग (आर 2) - लॉग (आर 1)) 946 3 लॉग (आर 2 आर 1) इसका मतलब यह है कि जितना लंबे समय तक पढ़ने (भविष्यकणक चर) में प्रतिशत वृद्धि तय हो गई है, हम लिखने में समान अंतर देखेंगे, भले ही आधार रेखा पढ़ने का स्कोर कितना है। उदाहरण के लिए, हम कह सकते हैं कि पढ़ने के स्कोर में 10 वृद्धि के लिए, अपेक्षित माध्य लेखन स्कोरों में अंतर हमेशा 946 3 लॉग (1.10) 16.85218log (1.1) 1.61 होगा। दोनों परिणाम व्हेरिएबल और कुछ भविष्यवक्ता चर लॉग इन रूपांतरित होते हैं, जब दोनों परिणाम चर और भविष्यवक्ता चर लॉग इन हो जाते हैं, तो हम दो पहले वर्णित परिस्थितियों को एक में जोड़ सकते हैं। यहां ऐसे मॉडल का उदाहरण दिया गया है एक समीकरण के रूप में लिखा गया है, हम मॉडल का वर्णन कर सकते हैं: परिवर्तनीय नहीं हैं, जैसे कि महिलाएं इसकी विस्तारित गुणांक महिला विद्यार्थियों के लिए ज्यामितीय माध्य का ज्यामितीय मतलब का अनुपात है। उदाहरण के लिए, हमारे उदाहरण में, हम यह कह सकते हैं कि पुरुष छात्र समूह से महिला छात्र समूह में ज्यामितीय माध्य में अपेक्षित प्रतिशत वृद्धि एक्सपी (.114239 9) 1.12 के बाद से, अन्य चर निरंतर रखने वाला है। स्कोर पढ़ने के लिए, हम यह कह सकते हैं कि पढ़ने के स्कोर में एक एक यूनिट के बढ़ने के लिए, हमें एक्सपी (.0066086) 1.007 के बाद से लेखन स्कोर के ज्यामितीय माध्य में 0.7 की वृद्धि के बारे में देखने की उम्मीद है। अब, गणित के प्रभाव पर ध्यान दें। गणित के दो मान लें एम 1 और एम 2, और किसी भी निर्धारित मूल्य पर अन्य प्रिक्रेटर चर पकड़ो। पैदावार के ऊपर समीकरण इसे लॉग करने के लिए सरलीकृत किया जा सकता है (लिखना (एम 2) लिखना (एम 1) 946 2 (लॉग (एम 2 एम 1))। इससे पता चलता है कि जब तक दो गणित अंक के अनुपात के रूप में, एम 2 एम 1 एक ही रहता है, परिणाम वैरिएबल की अपेक्षित अनुपात लिखते हैं। वैसा ही रहता है। उदाहरण के लिए, हम यह कह सकते हैं कि गणित के किसी भी 10 वृद्धि के लिए, स्कोर लिखने के लिए दो ज्यामितीय माध्यमों की अपेक्षित अनुपात 1.10 9 46 2 1.10.4085369 1.0397057 होगा। दूसरे शब्दों में, हमें उम्मीद है कि लिखित स्कोर में 4 वृद्धि होने की संभावना है, जब गणित स्कोर 10 से बढ़ता है। इस वेब साइट की सामग्री को कैलिफोर्निया विश्वविद्यालय द्वारा किसी विशेष वेब साइट, किताब या सॉफ़्टवेयर उत्पाद के समर्थन के रूप में नहीं समझा जाना चाहिए।

Comments