রিগ্রেশন: পরিবর্তনশীল রূপান্তর

Question

ভেরিয়েবলগুলি রূপান্তর করার সময়, আপনাকে কি একই রূপান্তরগুলির সবগুলি ব্যবহার করতে হবে? উদাহরণস্বরূপ, আমি কি আলাদা আলাদা রূপান্তরিত ভেরিয়েবলগুলি বাছাই বা বেছে নিতে পারি, যেমন:

, বয়সের বয়স, কর্মসংস্থানের দৈর্ঘ্য, আবাসের দৈর্ঘ্য এবং আয় হতে দিন।$x_1,x_2,x_3$

Y = B1*sqrt(x1) + B2*-1/(x2) + B3*log(x3)

বা, আপনার অবশ্যই আপনার রূপান্তরগুলির সাথে সামঞ্জস্য থাকা এবং সমস্তগুলি ব্যবহার করতে হবে? হিসাবে:

Y = B1*log(x1) + B2*log(x2) + B3*log(x3) 

আমার বোধগম্যতা হল রূপান্তরের লক্ষ্য হ'ল স্বাভাবিকতার সমস্যা সমাধান করা। প্রতিটি ভেরিয়েবলের হিস্টোগ্রাম দেখে আমরা দেখতে পারি যে তারা খুব আলাদা বিতরণ উপস্থাপন করে যা আমাকে বিশ্বাস করতে পরিচালিত করবে যে পরিবর্তনগুলি পরিবর্তনশীল ভিত্তিতে পরিবর্তনশীলের পরিবর্তে পৃথক।

## R Code
df <- read.spss(file="http://www.bertelsen.ca/R/logistic-regression.sav", 
                use.value.labels=T, to.data.frame=T)
hist(df[1:7]) 

$\log(x_n + 1)$$x_n$$0$$0$

## R Code 
plot(df[1:7])

Answer 1

এক রূপান্তরিত নির্ভরশীল আনুমানিক অর্জনে পরিবর্তনশীল প্রতিসাম্য এবং homoscedasticity এর অবশিষ্টাংশ । স্বতন্ত্র ভেরিয়েবলের রূপান্তরগুলির একটি পৃথক উদ্দেশ্য রয়েছে: সর্বোপরি, এই প্রতিরোধের মধ্যে সমস্ত স্বতন্ত্র মানগুলি এলোমেলোভাবে নয়, স্থির হিসাবে নেওয়া হয়, সুতরাং "স্বাভাবিকতা" অযোগ্য। এই রূপান্তরগুলির মূল উদ্দেশ্য নির্ভরশীল ভেরিয়েবলের সাথে লিনিয়ার সম্পর্ক অর্জন করা (বা সত্যই, এর লজিট সহ)। (অতিরিক্ত উদ্দেশ্য হ্রাস করার মতো এই উদ্দেশ্যটি ওভার-রাইড সহায়কগুলিও চালায়বা সহগের একটি সহজ ব্যাখ্যা অর্জন করতে পারে)) এই সম্পর্কগুলি ডেটা এবং তাদের তৈরি করা ঘটনাগুলির একটি সম্পত্তি so সুতরাং অন্যদের থেকে পৃথক করে প্রতিটি পরিবর্তকের যথাযথ পুনঃপ্রকাশের জন্য আপনার নমনীয়তার প্রয়োজন। বিশেষত, লগ, শিকড় এবং একটি পারস্পরিক ক্রিয়াকলাপ ব্যবহার করা কেবল সমস্যাই নয়, এটি সাধারণ। নীতিটি হ'ল (সাধারণত) ডেটাটি কীভাবে মূলভাবে প্রকাশ করা হয় সে সম্পর্কে বিশেষ কিছু নেই, সুতরাং আপনার উচিত তথ্যটিকে পুনঃ-প্রকাশের পরামর্শ দেওয়া উচিত যা কার্যকর, সঠিক, কার্যকর এবং (যদি সম্ভব হয়) তাত্ত্বিকভাবে ন্যায়সঙ্গত মডেলগুলির দিকে পরিচালিত করে।

হিস্টোগ্রামগুলি - যা অবিচ্ছিন্ন বিতরণগুলিকে প্রতিফলিত করে - প্রায়শই প্রাথমিক রূপান্তরকে ইঙ্গিত করে তবে বিতর্কিত হয় না। এগুলিকে স্ক্যাটারপ্ল্লট ম্যাট্রিক্সের সাথে একত করুন যাতে আপনি সমস্ত ভেরিয়েবলের মধ্যে সম্পর্কগুলি পরীক্ষা করতে পারেন।

---

$\log(x + c)$$c$$x$$\log(x)$$x$$z_x$$x$$x = 0$এবং অন্যথায় 0 হয়। এই পদগুলি একটি যোগফল অবদান

$$\beta \log(x) + \beta_0 z_x$$

$x \gt 0$$z_x = 0$$\beta \log(x)$$x = 0$$\log(x)$$z_x = 1$$\beta_0$$\beta_0$$x = 0$$\beta$$\log(x)$

Comments

খুব সহায়ক বিবরণ, আমার সাবেকশনের দিকনির্দেশ এবং বিশদটির জন্য ধন্যবাদ।

— ব্র্যান্ডন বার্টেলসেন

pareonline.net/getvn.asp?v=15&n=12 ওসবোর্ন (2002) সঠিকভাবে 1.0 এ বিতরণে ন্যূনতম মান অ্যাঙ্কর করার পরামর্শ দেয়। pareonline.net/getvn.asp?v=8&n=6

— ক্রিস

$1$$1$

আমার যে একটি ডেটাসেটে আমি কাজ করছি তাতে আমি লক্ষ্য করেছি যে আমি যদি নির্ভর প্রতিক্রিয়া পরিবর্তনশীলটিকে 1-এ অ্যাঙ্কারে স্থানান্তরিত করে এবং স্কিউ দূর করার জন্য একটি বক্স কক্স রূপান্তর ব্যবহার করি, ফলস্বরূপ রূপান্তরটি আপনার সমালোচনার শীর্ষস্থানীয় বিশ্বাসযোগ্যতাকে দুর্বল করে দেয়। ;)

— ক্রিস

$\beta_0$$z_x$