Вывод для преобразованных переменных
Вывод для линейной регрессии в R
Jo Hardin
Professor, Pomona College
Интерпретация коэффициентов — линейная модель
$Y = \beta_0 + \beta_1 \cdot X + \epsilon$, where $\epsilon \sim N(0, \sigma_\epsilon)$
$E[Y_X] = \beta_0 + \beta_1 \cdot X$
$E[Y_{X+1}] = \beta_0 + \beta_1 \cdot (X+1)$
$\beta_1 = E[Y_{X+1}] - E[Y_X]$
Интерпретация коэффициентов — нелинейный X
$Y = \beta_0 + \beta_1 \cdot \ln(X) + \epsilon$, where $\epsilon \sim N(0, \sigma_\epsilon)$
$E[Y_{\ln(X)}] = \beta_0 + \beta_1 \cdot \ln(X)$
$E[Y_{\ln(X)+1}] = \beta_0 + \beta_1 \cdot (\ln(X)+1)$
$\beta_1 = E[Y_{\ln(X)+1}] - E[Y_{\ln(X)}]$
Интерпретация коэффициентов — нелинейный Y
$\ln(Y) = \beta_0 + \beta_1 \cdot X + \epsilon$, where $\epsilon \sim N(0, \sigma_\epsilon)$
$E[\ln(Y)_X] = \beta_0 + \beta_1 \cdot X$
$E[\ln(Y)_{X+1}] = \beta_0 + \beta_1 \cdot (X+1)$
$\beta_1 = E[\ln(Y)_{X+1}] - E[\ln(Y)_X]$
Интерпретация коэффициентов — оба нелинейные
$\ln(Y) = \beta_0 + \beta_1 \cdot \ln(X) + \epsilon$, where $\epsilon \sim N(0, \sigma_\epsilon)$
$E[\ln(Y)_{\ln(X)}] = \beta_0 + \beta_1 \cdot \ln(X)$
$E[\ln(Y)_{\ln(X)+1}] = \beta_0 + \beta_1 \cdot (\ln(X)+1)$
$\beta_1 = E[\ln(Y)_{\ln(X)+1}] - E[\ln(Y)_{\ln{X}}]$
Интерпретация коэффициентов — оба натуральный логарифм (частный случай)
$\ln(Y) = \beta_0 + \beta_1 \cdot \ln(X) + \epsilon$, where $\epsilon \sim N(0, \sigma_\epsilon)$
$E[\ln(Y)_{\ln(X)}] = \beta_0 + \beta_1 \cdot \ln(X)$
$E[\ln(Y)_{\ln(X)+1}] = \beta_0 + \beta_1 \cdot (\ln(X)+1)$
$\beta_1 = E[\ln(Y)_{\ln(X)+1}] - E[\ln(Y)_{\ln{X}}]$
ИЛИ (когда $X$ и $Y$ оба преобразованы с помощью натурального логарифма):
$\beta_1 = $ процентное изменение $Y$ при изменении $X$ на 1%
Давайте потренируемся!
Вывод для линейной регрессии в R
