Transformação De Dados De Log Em Stata Forex

Para perguntas rápidas, envie um email para dataprinceton. edu. Não há appts. Necessário durante as horas de caminhada. Nota: o laboratório DSS está aberto enquanto o Firestone estiver aberto, sem compromissos necessários para usar os computadores do laboratório para sua própria análise. Transformações de logs Se a distribuição de uma variável tiver uma inclinação positiva, assumir um logaritmo natural da variável às vezes ajuda a ajustar a variável em um modelo. As transformações de log tornam a distribuição do ponto de vista mais equilibrada mais normal. Além disso, quando uma alteração na variável dependente está relacionada com a variação percentual em uma variável independente, ou vice-versa, a relação é melhor modelada tomando o log natural de uma ou ambas as variáveis. Por exemplo, estimar as pessoas com salário baseadas em educação, experiência e região de residência usando dados da amostra de Statas nlsw88, um extrato do Estudo Logualinal Nacional de Mulheres Jovens de 1988. Parece ok, mas quando olho para a distribuição de posse, parece um pouco distorcido. Então eu computo um registro natural de posse. Parece ter superado um pouco, mas parece um tanto normal. Eu tento uma regressão com o mandato registrado. O R-squared ficou um pouco mais alto, então, tomar o log natural parece ter ajudado a ajustá-lo melhor ao modelo. Quando a variável independente, mas não a variável dependente, é registrada, uma alteração de porcentagem na variável independente é associada a 1100 vezes a alteração do coeficiente na variável dependente. Salário previsto. -1.6390.681GRADE0.774LNTENURE-1.134SOUTH Portanto, um aumento percentual na posse está associado a um aumento no salário de 0,01x0,774 ou cerca de 0,0077. Agora eu examino o salário, e acho que é muito distorcido. Então pego um log natural de salários e analise a distribuição do salário registrado. A distribuição parece muito mais normal. Agora eu lanço a mesma regressão com o salário registrado como variável dependente. Quando a variável dependente, mas não uma variável independente, é registrada, uma variação de uma unidade na variável independente está associada a uma mudança de porcentagem de coeficiente de 100 vezes na variável dependente. Nesses dados, a posse é medida em anos: então, um aumento de um ano na posse aumenta o salário em 100x0.026 ou cerca de 2.6. Se registramos as variáveis ​​dependentes e independentes, então estamos olhando a elasticidade: a variação percentual em X resulta em variação percentual em Y. lança prevista 0,659 0,084GRADE0.136LNTENURA-0.151SOUTH Um aumento de um por cento na posse é estimado em aproximadamente Aumento de 0.136 no salário. Copie 2007 The Truestees of Princeton University. Todos os direitos reservados. Dataprinceton. edu Esta página foi atualizada pela última vez em 28 de agosto de 20082.10 Transformando os dados Agora consideramos o que fazer se o diagnóstico de regressão discutido na seção anterior indicar que o modelo não é adequado. As soluções usuais envolvem transformar a resposta, transformar os preditores ou ambos. 2.10.1 Transformando a Resposta A resposta é muitas vezes transformada para alcançar linearidade e homoscedasticidade ou variância constante. Exemplos de transformações estabilizadoras de variância são a raiz quadrada, que tende a funcionar bem para contagens, e a transformação arco-seno, que é frequentemente apropriada quando a resposta é uma proporção. Essas duas soluções caíram de moda à medida que os modelos lineares generalizados projetados especificamente para lidar com contagens e proporções aumentaram em popularidade. Minha recomendação nestes dois casos é abandonar o modelo linear em favor de melhores alternativas, como regressão de Poisson e regressão logística. As transformações para alcançar a linearidade, ou as transformações de linearização, ainda são úteis. O mais popular é o logaritmo, que é especialmente útil quando se espera que os efeitos sejam proporcionais à resposta. Para consertar ideias, considere um modelo com um único preditor (x), e suponha que a resposta seja esperada para aumentar (100rho) por cento para cada ponto de aumento em (x). Suponha ainda que o termo de erro, denotado (U), é multiplicativo. O modelo pode então ser escrito como Y gamma (1rho) x U. Tomando logs em ambos os lados da equação, obtemos um modelo linear para o log de resposta transformado Y alpha beta x epsilon, onde a constante é (alfa loggamma), o Slope is (betalog (1rho)) eo termo de erro é (epsilonlog U). A suposição usual de erros normais é equivalente a assumir que (U) tenha uma distribuição log-normal. Neste exemplo, tomar logs transformou um modelo multiplicativo relativamente complicado em uma forma linear familiar. Este desenvolvimento mostra, aliás, como interpretar a inclinação em um modelo de regressão linear quando a resposta está na escala logarítmica. Resolvendo para (rho) em termos de (beta), vemos que um aumento de unidade em (x) está associado a um aumento de (100 (ebeta-1)) por cento em (y). Se (beta) é pequeno, (ebeta-1 aproximadamente beta), então o coeficiente pode ser interpretado diretamente como um efeito relativo. Para (cópia beta 2017 Germaacuten Rodriacuteguez, Universidade de Princeton