Содержание
- 2. Однако, когда зависимая переменная отличается, этого делать нельзя. 2 СРАВНЕНИЕ ЛИНЕЙНЫХ И ЛОГАРИФМИЧЕСКИХ ХАРАКТЕРИСТИК
- 3. В случае линейной модели, R2 измеряет долю дисперсии в Y, объясненную моделью. В случае полулогарифмической модели
- 4. Очевидно, что они связаны, но они не совпадают, поэтому прямые сравнения бессмысленны. 4 СРАВНЕНИЕ ЛИНЕЙНЫХ И
- 5. Однако доброкачественность моделей с линейной и логарифмической версиями одной и той же зависимой переменной можно сравнить
- 6. Это семейство спецификаций, зависящих от параметра λ. Определение λ является эмпирическим вопросом, как и определение других
- 7. Модель нелинейна по параметрам, поэтому следует использовать метод нелинейной регрессии. На практике используется оценка максимального правдоподобия.
- 8. 8 СРАВНЕНИЕ ЛИНЕЙНЫХ И ЛОГАРИФМИЧЕСКИХ ХАРАКТЕРИСТИК Причина, по которой это преобразование представляет интерес в данном контексте,
- 9. 9 СРАВНЕНИЕ ЛИНЕЙНЫХ И ЛОГАРИФМИЧЕСКИХ ХАРАКТЕРИСТИК Ввод λ = 1 дает линейную модель. Зависимая переменная тогда
- 10. 10 СРАВНЕНИЕ ЛИНЕЙНЫХ И ЛОГАРИФМИЧЕСКИХ ХАРАКТЕРИСТИК Ввод λ = 0 дает (полу)логарифмическую модель. Конечно, нельзя говорить
- 11. 11 СРАВНЕНИЕ ЛИНЕЙНЫХ И ЛОГАРИФМИЧЕСКИХ ХАРАКТЕРИСТИК Таким образом, можно подогнать общую модель и посмотреть, близок ли
- 12. Результатом может быть то, что один отклоняется, а другой не отклоняется, но, конечно, возможно, что ни
- 13. когда когда 13 СРАВНЕНИЕ ЛИНЕЙНЫХ И ЛОГАРИФМИЧЕСКИХ ХАРАКТЕРИСТИК Преобразование Бокса–Кокса: Если вы заинтересованы только в сравнении
- 14. Первый шаг - разделить наблюдения по зависимой переменной на их среднее геометрическое. Будем называть преобразованную переменную
- 15. Теперь вы регрессируете Y* и logeY*, оставляя правую часть уравнения без изменений. (Параметрам были даны простые
- 16. Остаточные суммы квадратов теперь прямо сопоставимы. Таким образом, спецификация с меньшим RSS обеспечивает лучшую подгонку. 16
- 17. среднее геометрическое Y Мы будем использовать преобразование для сравнения приступов линейной и полулогарифмической версий простого уравнения
- 18. Первый шаг - вычислить среднее геометрическое зависимой переменной. Самый простой способ сделать это - взять экспоненту
- 19. Сумма логарифмов Y равна логарифму произведений Y. 19 СРАВНЕНИЕ ЛИНЕЙНЫХ И ЛОГАРИФМИЧЕСКИХ ХАРАКТЕРИСТИК
- 20. Теперь мы используем правило, согласно которому alog X совпадает с выражением log Xa 20 СРАВНЕНИЕ ЛИНЕЙНЫХ
- 21. И, наконец, мы используем тот факт, что экспонента логарифма X сводится к X. 21 СРАВНЕНИЕ ЛИНЕЙНЫХ
- 22. LGEARN уже определен как логарифм EARNINGS. Мы находим его среднее. В программе Stata это делается с
- 23. Затем мы определяем EARNSTAR, разделив EARNINGS на экспоненту среднего значения LGEARN. 23 СРАВНЕНИЕ ЛИНЕЙНЫХ И ЛОГАРИФМИЧЕСКИХ
- 24. Мы также определяем LGEARNST, логарифм EARNSTAR. 24 СРАВНЕНИЕ ЛИНЕЙНЫХ И ЛОГАРИФМИЧЕСКИХ ХАРАКТЕРИСТИК . sum LGEARN Variable
- 25. . reg EARNSTAR S EXP ---------------------------------------------------------------------------- Source | SS df MS Number of obs = 500
- 26. Мы запускаем параллельную регрессию для LGEARNST. Остаточная сумма квадратов равна 131,4. Таким образом, мы заключаем, что
- 27. . boxcox EARNINGS S EXP Number of obs = 500 LR chi2(2) = 76.08 Log likelihood
- 29. Скачать презентацию