Inferens på transformerade variabler
Inferens för linjär regression i R
Jo Hardin
Professor, Pomona College
Tolka koefficienter – linjär
$Y = \beta_0 + \beta_1 \cdot X + \epsilon$, where $\epsilon \sim N(0, \sigma_\epsilon)$
$E[Y_X] = \beta_0 + \beta_1 \cdot X$
$E[Y_{X+1}] = \beta_0 + \beta_1 \cdot (X+1)$
$\beta_1 = E[Y_{X+1}] - E[Y_X]$
Tolka koefficienter – icke-linjär X
$Y = \beta_0 + \beta_1 \cdot \ln(X) + \epsilon$, where $\epsilon \sim N(0, \sigma_\epsilon)$
$E[Y_{\ln(X)}] = \beta_0 + \beta_1 \cdot \ln(X)$
$E[Y_{\ln(X)+1}] = \beta_0 + \beta_1 \cdot (\ln(X)+1)$
$\beta_1 = E[Y_{\ln(X)+1}] - E[Y_{\ln(X)}]$
Tolka koefficienter – icke-linjär Y
$\ln(Y) = \beta_0 + \beta_1 \cdot X + \epsilon$, where $\epsilon \sim N(0, \sigma_\epsilon)$
$E[\ln(Y)_X] = \beta_0 + \beta_1 \cdot X$
$E[\ln(Y)_{X+1}] = \beta_0 + \beta_1 \cdot (X+1)$
$\beta_1 = E[\ln(Y)_{X+1}] - E[\ln(Y)_X]$
Tolka koefficienter – båda icke-linjära
$\ln(Y) = \beta_0 + \beta_1 \cdot \ln(X) + \epsilon$, where $\epsilon \sim N(0, \sigma_\epsilon)$
$E[\ln(Y)_{\ln(X)}] = \beta_0 + \beta_1 \cdot \ln(X)$
$E[\ln(Y)_{\ln(X)+1}] = \beta_0 + \beta_1 \cdot (\ln(X)+1)$
$\beta_1 = E[\ln(Y)_{\ln(X)+1}] - E[\ln(Y)_{\ln{X}}]$
Tolka koefficienter – båda naturlig logaritm (specialfall)
$\ln(Y) = \beta_0 + \beta_1 \cdot \ln(X) + \epsilon$, where $\epsilon \sim N(0, \sigma_\epsilon)$
$E[\ln(Y)_{\ln(X)}] = \beta_0 + \beta_1 \cdot \ln(X)$
$E[\ln(Y)_{\ln(X)+1}] = \beta_0 + \beta_1 \cdot (\ln(X)+1)$
$\beta_1 = E[\ln(Y)_{\ln(X)+1}] - E[\ln(Y)_{\ln{X}}]$
ELLER (när $X$ och $Y$ båda transformeras med naturlig logaritm):
$\beta_1 = $ procentuell förändring i $Y$ för varje 1% förändring i $X$
Nu kör vi en övning!
Inferens för linjär regression i R
