كيفية القيام سجل الانحدار الخطي في الفوركس ستاتا

تحليل الانحدار الخطي باستخدام ستاتا مقدمة الانحدار الخطي، المعروف أيضا باسم الانحدار الخطي البسيط أو الانحدار الخطي ثنائي المتغير، يستخدم عندما نرغب في التنبؤ بقيمة متغير تابع يعتمد على قيمة متغير مستقل. على سبيل المثال، يمكنك استخدام الانحدار الخطي لفهم ما إذا كان يمكن توقع أداء الامتحان بناء على وقت المراجعة (أي أن المتغير التابع الخاص بك سيكون أداء الامتحان، ويقاس من 0-100 علامة، والمتغير المستقل الخاص بك سيكون وقت المراجعة، ويقاس بالساعات) . بدلا من ذلك، يمكن أن تستخدم الانحدار الخطي لفهم ما إذا كان يمكن التنبؤ استهلاك السجائر على أساس مدة التدخين (أي المتغير التابع الخاص بك سيكون استهلاك السجائر، ويقاس من حيث عدد السجائر المستهلكة يوميا، والمتغير المستقل الخاص بك سيكون مدة التدخين، قياس في الايام). إذا كان لديك متغيران مستقلان أو أكثر، بدلا من متغير واحد فقط، يجب استخدام الانحدار المتعدد. بدلا من ذلك، إذا كنت ترغب فقط في تحديد ما إذا كانت هناك علاقة خطية، يمكنك استخدام ارتباط بيرسونس. ملاحظة: ويشار إلى المتغير التابع أيضا باسم متغير النتيجة أو الهدف أو المعيار، في حين أن المتغير المستقل يشار إليه أيضا باسم المتنبأ، متغير تفسيرية أو رجعية. في نهاية المطاف، أيهما المصطلح الذي تستخدمه، فمن الأفضل أن تكون متسقة. وسوف نشیر إلی ھذه المتغیرات المستقلة والمستقلة في ھذا الدلیل. في هذا الدليل، نعرض لك كيفية تنفيذ الانحدار الخطي باستخدام ستاتا، وكذلك تفسير والإبلاغ عن نتائج هذا الاختبار. ومع ذلك، قبل أن نقدم لكم لهذا الإجراء، تحتاج إلى فهم الافتراضات المختلفة التي يجب أن تلبي البيانات الخاصة بك من أجل الانحدار الخطي لتعطيك نتيجة صالحة. نناقش هذه الافتراضات بعد ذلك. الافتراضات هناك سبعة افتراضات تدعم الانحدار الخطي. إذا لم يتم استيفاء أي من هذه الافتراضات السبعة، فلا يمكنك تحليل بياناتك باستخدام خطية لأنك لن تحصل على نتيجة صالحة. وبما أن الافتراضين 1 و 2 يتعلقان باختيار المتغيرات، فلا يمكن اختبارهما لاستخدام ستاتا. ومع ذلك، يجب عليك أن تقرر ما إذا كانت دراستك تلبي هذه الافتراضات قبل الانتقال. الافتراض 1: يجب قياس المتغير التابع الخاص بك على المستوى المستمر. ومن أمثلة هذه المتغيرات المستمرة الارتفاع (مقيس بالأقدام والبوصة)، ودرجة الحرارة (المقاسة بالساعة C)، والراتب (مقيس بالدولار الأمريكي)، ووقت المراجعة (مقيس بالساعات)، والذكاء (المقيس باستخدام درجة الذكاء)، ووقت التفاعل ( مقاسة بالميلي ثانية)، وأداء الاختبار (يقاس من 0 إلى 100)، والمبيعات (مقاسة بعدد المعاملات في الشهر)، وهكذا دواليك. إذا لم تكن متأكدا مما إذا كان متغيرك التابع متواصلا (بمعنى أنه يتم قياسه على مستوى الفاصل الزمني أو مستوى النسبة)، فاطلع على أنواع من الدليل المتغير. الافتراض 2: يجب قياس متغيرك المستقل على المستوى المستمر أو الفئوي. ومع ذلك، إذا كان لديك متغير مستقل قاطع، فمن الأكثر شيوعا لاستخدام اختبار تي مستقل (لمجموعتين) أو في اتجاه واحد أنوفا (ل 3 مجموعات أو أكثر). في حال لم تكن متأكدا، تشمل أمثلة المتغيرات الفئوية نوع الجنس (على سبيل المثال مجموعتين: ذكور وإناث)، والعرق (على سبيل المثال 3 مجموعات: قوقازي، أمريكان أفريكان، وإسبانيون)، ومستوى النشاط البدني (على سبيل المثال 4 مجموعات: مستقرة، منخفضة، معتدلة و عالية)، والمهنة (على سبيل المثال 5 مجموعات: الجراح، الطبيب، ممرضة، طبيب الأسنان، المعالج). في هذا الدليل، نعرض لك إجراء الانحدار الخطي والإخراج ستاتا عندما تم قياس كل من المتغيرات التابعة والمستقلة على مستوى مستمر. لحسن الحظ، يمكنك التحقق من الافتراضات 3 و 4 و 5 و 6 و 7 باستخدام ستاتا. عند الانتقال إلى الافتراضات 3 و 4 و 5 و 6 و 7، نقترح اختبارها بهذا الترتيب لأنها تمثل أمرا إذا لم يعد من الممكن استخدام الانتهاك الخطي إذا لم يكن هناك انتهاك للافتراض. في الواقع، لا تفاجأ إذا فشلت البيانات الخاصة بك واحد أو أكثر من هذه الافتراضات لأن هذا هو نموذجي إلى حد ما عند العمل مع البيانات في العالم الحقيقي بدلا من أمثلة الكتاب المدرسي، والتي غالبا ما تظهر فقط لك كيفية تنفيذ الانحدار الخطي عندما يسير كل شيء على ما يرام. ومع ذلك، لا داعي للقلق لأنه حتى عندما تفشل البيانات الخاصة بك بعض الافتراضات، غالبا ما يكون هناك حل للتغلب على هذا (على سبيل المثال تحويل البيانات الخاصة بك أو باستخدام اختبار إحصائي آخر بدلا من ذلك). تذكر فقط أنه إذا لم تتحقق من أن البيانات تستوفي هذه الافتراضات أو تختبرها بشكل غير صحيح، فقد لا تكون النتائج التي تحصل عليها عند تشغيل الانحدار الخطي صالحة. الافتراض 3: يجب أن تكون هناك علاقة خطية بين المتغيرات التابعة والمستقلة. في حين أن هناك عددا من الطرق للتحقق مما إذا كانت هناك علاقة خطية بين المتغيرين، نقترح إنشاء سكاتيربلوت باستخدام ستاتا، حيث يمكنك رسم المتغير التابع ضد متغير مستقل. يمكنك ثم فحص بصريا سكاتيربلوت للتحقق من الخطية. قد يبدو سكاتيربلوت الخاص بك شيئا مثل واحد مما يلي: إذا كانت العلاقة المعروضة في سكاتيربلوت الخاص بك ليست خطية، سيكون لديك إما تشغيل تحليل الانحدار غير الخطية أو تحويل البيانات الخاصة بك، والتي يمكنك القيام به باستخدام ستاتا. الافتراض 4: لا ينبغي أن تكون هناك قيم متطرفة كبيرة. القيم المتطرفة هي ببساطة نقاط بيانات واحدة ضمن بياناتك التي لا تتبع النمط المعتاد (على سبيل المثال في دراسة 100 طالب درجات الذكاء، حيث كانت النتيجة المتوسطة 108 مع اختلاف بسيط فقط بين الطلاب، وكان طالب واحد على درجة 156، والتي هو غير عادي جدا، وربما حتى وضعها في أعلى 1 من درجات الذكاء على الصعيد العالمي). تسلط النقاط العشوائية التالية الضوء على التأثير المحتمل للقيم المتطرفة: المشكلة مع القيم المتطرفة هي أنها يمكن أن يكون لها تأثير سلبي على معادلة الانحدار المستخدمة للتنبؤ بقيمة المتغير التابع استنادا إلى المتغير المستقل. سيؤدي ذلك إلى تغيير الناتج الذي ينتجه ستاتا ويقلل من الدقة التنبؤية لنتائجك. لحسن الحظ، يمكنك استخدام ستاتا لإجراء تشخيصات كاسويس لمساعدتك في الكشف عن القيم المتطرفة المحتملة. الافتراض 5: يجب أن يكون لديك استقلالية الملاحظات. والتي يمكنك التحقق بسهولة باستخدام إحصائية دوربين واتسون. وهو اختبار بسيط لتشغيل باستخدام ستاتا. افتراض 6: البيانات الخاصة بك تحتاج إلى إظهار هوموسداستيسيتي. والتي هي حيث تظل الفروق على طول خط من أفضل تناسب مماثلة كما يمكنك التحرك على طول الخط. يقدم النموذجان التاليان أمثلة بسيطة للبيانات التي تتوافق مع هذا الافتراض وتلك التي تفشل في الافتراض: عند تحليل البيانات الخاصة بك، سوف تكون محظوظا إذا كان سكاتيربلوت الخاص بك يشبه أي من الاثنين أعلاه. في حين أن هذه تساعد على توضيح الاختلافات في البيانات التي تفي أو تنتهك افتراض التماثل، والبيانات في العالم الحقيقي غالبا ما تكون أكثر فوضى. يمكنك التحقق ما إذا كانت البيانات الخاصة بك أظهرت هوموسداستيسيتي من خلال التآمر المخلفات موحدة الانحدار ضد الانحدار موحدة القيمة المتوقعة. الافتراض 7: وأخيرا، تحتاج إلى التحقق من أن المخلفات (أخطاء) من خط الانحدار يتم توزيعها بشكل طبيعي تقريبا. هناك طريقتان شائعتان للتحقق من هذا الافتراض تشمل استخدام رسم بياني (مع منحنى عادي مركب) أو مؤامرة P-P عادية. في الممارسة العملية، فإن التحقق من الافتراضات 3 و 4 و 5 و 6 و 7 ربما يستغرق معظم وقتك عند تنفيذ الانحدار الخطي. ومع ذلك، فإنه ليس مهمة صعبة، و ستاتا يوفر كل الأدوات التي تحتاج إلى القيام بذلك. في القسم، الإجراء. نوضح إجراء ستاتا المطلوب لتنفيذ الانحدار الخطي بافتراض عدم وجود افتراضات قد انتهكت. أولا، وضعنا المثال الذي نستخدمه لشرح إجراءات الانحدار الخطي في ستاتا. وتظهر الدراسات أن ممارسة يمكن أن تساعد في منع أمراض القلب. في حدود معقولة، وكلما كنت تمارس، وأقل خطر لديك من يعانون من أمراض القلب. إحدى الطرق التي تقلل من التمارين الرياضية من خطر الإصابة بأمراض القلب هي تقليل الدهون في الدم، وتسمى الكوليسترول. وكلما كنت تمارس، وانخفاض تركيز الكولسترول. وعلاوة على ذلك، فقد تبين مؤخرا أن مقدار الوقت الذي تقضيه في مشاهدة التلفزيون ندش مؤشرا على نمط الحياة المستقرة ندش قد يكون مؤشرا جيدا لأمراض القلب (أي أن أكثر تف تشاهد، وزيادة خطر الإصابة بأمراض القلب ). ولذلك، قرر باحث لتحديد ما إذا كان تركيز الكوليسترول يرتبط الوقت الذي يقضيه مشاهدة التلفزيون في صحة جيدة 45-65 سنة من الرجال (فئة المعرضة للخطر من الناس). على سبيل المثال، كما قضى الناس المزيد من الوقت في مشاهدة التلفزيون، هل تركيز الكولسترول أيضا زيادة (علاقة إيجابية) أو حدث العكس كما أراد الباحث أن يعرف نسبة تركيز الكولسترول أن الوقت الذي يقضيه مشاهدة التلفزيون يمكن أن يفسر، وكذلك يجري قادرة على التنبؤ تركيز الكولسترول. ويمكن للباحث بعد ذلك تحديد ما إذا كان الأشخاص الذين أمضوا ثماني ساعات يقضون مشاهدة التلفزيون في اليوم، على سبيل المثال، لديهم مستويات عالية بشكل خطير من تركيز الكوليسترول مقارنة بالأشخاص الذين يشاهدون ساعتين فقط من التلفزيون. ولتحقيق هذا التحليل، قام الباحث بتجنيد 100 مشارك من الذكور الأصحاء تتراوح أعمارهم بين 45 و 65 سنة. تم تسجيل مقدار الوقت الذي يقضيه مشاهدة التلفزيون (أي المتغير المستقل، الجدول الزمني) وتركيز الكوليسترول (أي المتغير التابع، الكولسترول) لكل 100 مشارك. وأعرب الباحث بعبارات متفاوتة عن رغبته في تراجع الكوليسترول على تيمتف. ملاحظة: المثال والبيانات المستخدمة لهذا الدليل وهمية. لقد أنشأناها للتو لأغراض هذا الدليل. الإعداد في ستاتا في ستاتا، أنشأنا متغيرين: (1) تيميتف. وهو متوسط ​​الوقت اليومي الذي يقضيه مشاهدة التلفزيون في دقائق (أي المتغير المستقل) و (2) الكولسترول. وهو تركيز الكوليسترول في ممول (أي المتغير التابع). ملاحظة: لا يهم ما إذا كنت تقوم بإنشاء المتغير التابع أو المستقل أولا. بعد إنشاء هذين المتغيرين نداش تيميتف والكولسترول ندش دخلنا عشرات لكل في عمودين من محرر البيانات (تحرير) جدول البيانات (أي الوقت في ساعات أن المشاركين مشاهدة التلفزيون في العمود الأيسر (أي تيمتف. متغير مستقل)، وتركيز الكولسترول المشاركين في ممول في العمود الأيمن (أي الكوليسترول، المتغير التابع)، كما هو موضح أدناه: نشرت بإذن كتابي من ستاتاكورب ل. ب إجراء الاختبار في ستاتا في هذا القسم، نعرض لك كيفية تحليل البيانات الخاصة بك باستخدام الانحدار الخطي في ستاتا عندما لم تنتهك الافتراضات الستة في القسم السابق، افتراضات. يمكنك تنفيذ الانحدار الخطي باستخدام كود أو ستاتاس واجهة المستخدم الرسومية (غوي) بعد أن قمت بتحليل الخاص بك، ونحن تظهر لك كيفية تفسير النتائج الخاصة بك: أولا، اختر ما إذا كنت ترغب في استخدام التعليمات البرمجية أو ستاتاس واجهة المستخدم الرسومية (غوي) رمز لتنفيذ الانحدار الخطي على البيانات الخاصة بك يأخذ شكل: ريجرس ديبندنتفاريابل إنديبندنتفاريابل نشرت بإذن كتابي من ستاتاكورب لب. باستخدام مثالنا حيث المتغير التابع هو الكولسترول والمتغير المستقل هو تيميتف. فإن الرمز المطلوب سيكون: تراجعت الكولسترول تيميتف ملاحظة 1: تحتاج إلى أن تكون دقيقة عند إدخال رمز في المربع. الرمز حساس لحالة الأحرف. على سبيل المثال، إذا قمت بإدخال الكولسترول حيث C هو أحرف كبيرة بدلا من صغيرة (أي صغيرة c)، والتي يجب أن تكون، سوف تحصل على رسالة خطأ مثل ما يلي: ملاحظة 2: إذا كنت لا تزال الحصول على رسالة خطأ في ملاحظة 2 : أعلاه، يجدر التحقق من الاسم الذي قدمته لمتغيرين في محرر البيانات عند إعداد الملف (أي الاطلاع على شاشة محرر البيانات أعلاه). في المربع الموجود على الجانب الأيسر من شاشة محرر البيانات، هي الطريقة التي تكتب بها المتغيرات في القسم، وليس القسم الذي تحتاج إلى إدخاله في الشفرة (انظر أدناه للمتغير التابع لدينا). قد يبدو هذا واضحا، ولكنه خطأ يتم أحيانا، مما يؤدي إلى الخطأ في الملاحظة 2 أعلاه. لذلك، أدخل رمز، تراجعت الكولسترول تيميتف. واضغط على زر ريتورننتر على لوحة المفاتيح. نشرت بإذن خطي من ستاتاكورب لب. يمكنك أن ترى الإخراج ستاتا التي سيتم إنتاجها هنا. واجهة المستخدم الرسومية (غوي) الخطوات الثلاث المطلوبة لتنفيذ الانحدار الخطي في ستاتا 12 و 13 موضحة أدناه: انقر فوق S تاتيستيكش غ النماذج الخطية وما يتصل بها من الانحدار الخطي غ في القائمة الرئيسية، كما هو موضح أدناه: نشرت بإذن خطي من ستاتاكورب LP. سيتم تقديمك مع نداش نرجس الخطي مربع الحوار الانحدار: نشرت مع إذن خطي من ستاتاكورب لب. حدد الكوليسترول من داخل المتغير التابع: المربع المنسدل، و تيميتف من داخل المربع المتغير المستقل: المتغير. سوف ينتهي بك الأمر مع الشاشة التالية: نشرت بإذن كتابي من ستاتاكورب لب. خرج تحليل الانحدار الخطي في ستاتا إذا كانت بياناتك قد اجتازت الافتراض 3 (أي أن هناك علاقة خطية بين المتغيرين)، 4 (أي لم تكن هناك قيم متطرفة كبيرة)، الافتراض 5 (أي كان لديك استقلالية للملاحظات)، الافتراض 6 ( أي أن البيانات الخاصة بك أظهرت هوموسداستيسيتي) والافتراض 7 (أي أن المخلفات (الأخطاء) كانت موزعة بشكل طبيعي تقريبا)، والتي شرحناها سابقا في قسم الافتراضات، سوف تحتاج فقط إلى تفسير الناتج الانحدار الخطي التالي في ستاتا: نشرت بإذن كتابي من ستاتاكورب لب. ويتكون الإخراج من أربع أجزاء مهمة من المعلومات: (أ) تمثل قيمة R 2 (صف R-سكارد) نسبة التباين في المتغير التابع الذي يمكن تفسيره بواسطة متغيرنا المستقل (فنيا تمثل نسبة التغير بواسطة نموذج الانحدار فوق النموذج المتوسط). غير أن R 2 يستند إلى العينة وهو تقدير متحيز إيجابيا لنسبة تباين المتغير التابع الذي يمثله نموذج الانحدار (أي أنه كبير جدا) (ب) قيمة R 2 المعدلة (أدج R - (F) (1، 98))، والأهمية الإحصائية لنموذج الانحدار (بروب غ F الصف)، والذي يصحح التحيز الإيجابي لتوفير قيمة من المتوقع أن تكون في السكان (ج) قيمة F، و (د) معاملات المتغير الثابت والمستقل (عمود كويف)، وهي المعلومات التي تحتاجها للتنبؤ بالمتغير التابع، الكوليسترول. باستخدام المتغير المستقل، تيمتف. في هذا المثال، R 2 0.151. تعديل R 2 0.143 (إلى 3 d. p.)، وهو ما يعني أن المتغير المستقل، تيمتف. يفسر 14.3 من تباين المتغير التابع، الكولسترول. في السكان. R2 المعدل هو أيضا تقدير لحجم التأثير، والتي في 0.143 (14.3)، يدل على حجم التأثير المتوسط، وفقا لتصنيف كوهينز (1988). ومع ذلك، عادة ما يكون R 2 ليس R2 المعدل الذي يتم الإبلاغ عنه في النتائج. في هذا المثال، يكون نموذج الانحدار ذو دلالة إحصائية، F (1، 98) 17.47، p .0001. وهذا يشير إلى أن النموذج المطبق يمكن أن يتنبأ إحصائيا بشكل كبير بالمتغير التابع، الكوليسترول. ملاحظة: نقدم الإخراج من تحليل الانحدار الخطي أعلاه. ومع ذلك، بما أنك يجب أن تختبر بياناتك للافتراضات التي شرحناها سابقا في قسم الافتراضات، ستحتاج أيضا إلى تفسير ناتج ستاتا الذي تم إنتاجه عند اختبار هذه الافتراضات. وهذا يشمل ما يلي: (أ) سكاتيربلوتس التي استخدمتها للتحقق مما إذا كانت هناك علاقة خطية بين المتغيرين الخاصين بك (أي الافتراض 3) (ب) التشخيص الكاسويس للتحقق من عدم وجود قيم متطرفة كبيرة (أي افتراض 4) (ج) (د) مبعثر الانحدار المعياري المتبقي ضد الانحدار الموحد قيمة متوقعة لتحديد ما إذا كانت البيانات الخاصة بك أظهرت هوموسداستيسيتي (أي الافتراض 6) ورسم بياني (مع فرضه منحنى عادي) و ب العادي قطعة للتحقق ما إذا كانت المخلفات (أخطاء) وزعت بشكل طبيعي تقريبا (أي افتراض 7). أيضا، تذكر أنه إذا فشلت البيانات الخاصة بك أي من هذه الافتراضات، فإن الإخراج الذي تحصل عليه من إجراء الانحدار الخطي (أي الناتج نناقش أعلاه) لن تكون ذات صلة، وربما يكون لديك لإجراء اختبار إحصائي مختلف لتحليل معلوماتك. الإبلاغ عن مخرجات تحليل الانحدار الخطي عند الإبلاغ عن مخرجات الانحدار الخطي، فمن الممارسة السليمة أن تشمل: (أ) مقدمة للتحليل الذي أجريته (ب) معلومات عن عينتك، بما في ذلك أي قيم مفقودة (ج) (د) النسبة المئوية للتغير في المتغير التابع الذي يفسره المتغير المستقل (أي R 2 المعدل الخاص بك) و (ه) معادلة الانحدار لنموذجك. واستنادا إلى النتائج المذكورة أعلاه، يمكننا أن نبلغ نتائج هذه الدراسة على النحو التالي: انحدار خطي أن الوقت اليومي الذي يقضيه مشاهدة التلفزيون يمكن أن تتنبأ إحصائيا بشكل كبير تركيز الكولسترول، F (1، 98) 17.47، p .0001 والوقت الذي يقضيه مشاهدة التلفزيون تمثل 14.3 من التباين أوضح في تركيز الكوليسترول. كانت معادلة الانحدار: توقع تركيز الكوليسترول -2.135 0.044 × (الوقت الذي يقضيه مشاهدة التلفزيون). بالإضافة إلى الإبلاغ عن النتائج على النحو الوارد أعلاه، يمكن استخدام رسم بياني لعرض النتائج بصريا. على سبيل المثال، يمكنك القيام بذلك باستخدام سكاتيربلوت مع فترات الثقة والتنبؤ (على الرغم من أنه ليس من الشائع جدا لإضافة الماضي). وهذا يمكن أن يسهل على الآخرين فهم نتائجك. وعلاوة على ذلك، يمكنك استخدام معادلة الانحدار الخطي الخاص بك لجعل التنبؤات حول قيمة المتغير التابع استنادا إلى قيم مختلفة للمتغير المستقل. في حين أن ستاتا لا تنتج هذه القيم كجزء من إجراء الانحدار الخطي أعلاه، هناك إجراء في ستاتا يمكنك استخدامه للقيام بذلك. ملاحظة: سوف إدر المجموعة الاستشارية الإحصائية ترحيل الموقع إلى وردبريس كمس في فبراير لتسهيل صيانة وإنشاء محتوى جديد. ستتم إزالة بعض صفحاتنا القديمة أو وضعها في الأرشيف بحيث لا يتم الاحتفاظ بها بعد الآن. سنحاول الحفاظ على عمليات إعادة التوجيه بحيث تستمر عناوين ورل القديمة في العمل بأفضل ما في وسعنا. مرحبا بكم في معهد البحوث والتعليم الرقمي مساعدة مجموعة الاستشارات الاستشارية من خلال إعطاء هدية أسئلة وأجوبة كيف يمكنني تفسير نموذج الانحدار عندما يتم تحويل بعض المتغيرات سجل مقدمة في هذه الصفحة، سوف نناقش كيفية تفسير نموذج الانحدار عندما بعض المتغيرات في وقد تم تحويل السجل سجل. يمكن تنزيل بيانات المثال هنا (الملف بتنسيق كسف.). المتغيرات في مجموعة البيانات هي الكتابة، القراءة، والرياضيات درجات (الكتابة القراءة والرياضيات). سجل تحويل الكتابة (لغريت) وتسجيل عشرات الرياضيات تحويلها (لغماث) والإناث. لهذه الأمثلة، اتخذنا السجل الطبيعي (لن). يتم كل الأمثلة في ستاتا، ولكن يمكن إنشاؤها بسهولة في أي حزمة إحصائية. في الأمثلة أدناه، سيتم استخدام الكتابة المتغيرة أو النسخة المحولة السجل كمتغير النتيجة. وتستخدم الأمثلة لأغراض التوضيح ولا يقصد بها أن تكون منطقية. هنا جدول أنواع مختلفة من الوسائل للكتابة المتغيرة. متغير النتيجة هو تحويل لوغ في كثير من الأحيان، يتم افتراض العلاقة الخطية بين متغير النتيجة سجل تحويلها ومجموعة من المتغيرات التنبؤ. مكتوبة رياضيا، والعلاقة تتبع المعادلة حيث y هو متغير النتيجة و x1. هك هي متغيرات التنبؤ. وبعبارة أخرى، نفترض أن لوغ (y) - x 946 يتم توزيعه عادة، (أو y هو لوغ-نورمال مشروط على جميع المتغيرات المشتركة). وبما أن هذا مجرد تراجع المربعات الصغرى العادية، يمكننا بسهولة تفسير معامل الانحدار، (946 1)، حيث أن التغير المتوقع في سجل y بالنسبة إلى زيادة وحدة واحدة في x1 يحمل جميع المتغيرات الأخرى بأي قيمة ثابتة، على افتراض أن X1 يدخل النموذج فقط كأثر رئيسي. ولكن ماذا لو كنا نريد أن نعرف ما يحدث لمتغير النتيجة ذ نفسه لزيادة وحدة واحدة في X1 والطريقة الطبيعية للقيام بذلك هو تفسير معاملات الانحدار الأسية، إكس (946). لأن الأسية هي معكوس لوغاريتم الدالة. دعونا نبدأ مع نموذج اعتراض فقط، سجل (الكتابة) 946 0. يمكننا القول أن 3.95 هو المتوسط ​​المتوقع غير المشروط من سجل الكتابة. وبالتالي فإن قيمة الأس هي إكس (3.948347) 51.85. هذا هو المتوسط ​​الهندسي للكتابة. التركيز هنا هو أنه هو المتوسط ​​الهندسي بدلا من الوسط الحسابي. ويستخدم انحدار عملية شريان الحياة للسودان المتغير الأصلي لتقدير المتوسط ​​الحسابي المتوقع وانحدار عملية شريان الحياة للسجل المتغير الناتج المتحول من السجل إلى تقدير المتوسط ​​الهندسي المتوقع للمتغير الأصلي. الآن يتيح الانتقال إلى نموذج مع متغير متغير ثنائي واحد. قبل الغوص في تفسير هذه المعلمات، يتيح الحصول على وسائل المتغير التابع لدينا، والكتابة. حسب الجنس. الآن يمكننا تعيين تقديرات المعلمة إلى الوسائل الهندسية للمجموعتين. اعتراض 3.89 هو سجل الوسط الهندسي للكتابة عند الإناث 0، أي للذكور. لذلك، فإن القيمة الأسية لها هي المتوسط ​​الهندسي للمجموعة الذكور: إكس (3.892) 49.01. ماذا يمكننا أن نقول عن معامل للإناث. في مقياس السجل، هو الفرق في الوسائل الهندسية المتوقعة لسجل الكتابة بين الطالبات والطالبات. في النطاق الأصلي للكتابة المتغيرة. وهي نسبة المتوسط ​​الهندسي للكتابة للطالبات على المتوسط ​​الهندسي للكتابة للطلاب الذكور، إكس (.1032614) 54.3438349.01222 1.11. من حيث نسبة التغيير، يمكننا القول بأن التحول من الطلاب الذكور إلى الطالبات، ونحن نتوقع أن نرى حوالي 11 زيادة في المتوسط ​​الهندسي من عشرات الكتابة. وأخيرا، دعونا ننظر إلى نموذج مع متغيرات متعددة التنبؤ. أما معامل المعادلة الأسية (946 1) للإناث فهو نسبة المتوسط ​​الهندسي المتوقع لمجموعة الطالبات مقارنة بالمتوسط ​​الهندسي المتوقع لمجموعة الطلاب الذكور، عند القراءة والرياضيات في بعض القيم الثابتة. وبطبيعة الحال، فإن الوسائل الهندسية المتوقعة لمجموعة الطلاب والطالبات ستكون مختلفة لقيم مختلفة من القراءة والرياضيات. ومع ذلك، فإن نسبة ثابتة: إكس (946 1). في مثالنا، إكس (946 1) إكس (.114718) 1.12. نستطيع القول أن درجات الكتابة ستكون أعلى بنسبة 12 في المائة للطالبات مقارنة بالطلبة الذكور. لقراءة المتغير. يمكننا القول أن لزيادة وحدة واحدة في القراءة. ونحن نتوقع أن نرى حوالي 0.7 زيادة في النتيجة الكتابة، منذ إكس (.0066305) 1.006653. لزيادة عشرة وحدات في القراءة. ونحن نتوقع أن نرى عن زيادة 6.9 في كتابة النتيجة، منذ إكس (.006630510) 1.0685526. يصبح الاعتراض أقل إثارة للاهتمام عندما لا تكون متغيرات التنبؤ مركزة ومستمرة. في هذا النموذج بالذات، اعتراض هو المتوسط ​​المتوقع لوغ (الكتابة) للذكور (الإناث 0) عند القراءة والرياضيات تساوي الصفر. باختصار، عندما يكون متغير النتيجة هو تحويل السجل، فمن الطبيعي أن تفسر معاملات الانحدار الأسية. وتتوافق هذه القيم مع التغيرات في نسبة الوسائل الهندسية المتوقعة لمتغير النتيجة الأصلي. بعض المتغيرات (ليس كل) متنبأ هي تحويل سجل في بعض الأحيان، لدينا أيضا بعض متغيرات التنبؤ يجري تسجيل تحويلها. في هذا القسم، سوف نلقي نظرة على مثال حيث يتم تحويل بعض المتغيرات التنبؤ السجل، ولكن متغير النتيجة هو في نطاقه الأصلي. مكتوبة في المعادلة، لدينا وبما أن هذا هو انحدار عملية شريان الحياة للسودان، فإن تفسير معاملات الانحدار للمتغيرات غير المتحولة لم يتغير من انحدار عملية شريان الحياة للسودان دون أي متغيرات محولة. على سبيل المثال، فإن متوسط ​​الفرق المتوقع في درجات الكتابة بين الطلاب الإناث والذكور هو حوالي 5.4 نقطة، مع الحفاظ على متغيرات التنبؤ الأخرى ثابتة. من ناحية أخرى، بسبب التحول السجل، والآثار المقدرة من الرياضيات والقراءة لم تعد خطية، على الرغم من أن تأثير لغماث و لغريد خطية. ويبين المخطط أدناه منحنى القيم المتوقعة ضد درجات القراءة لمجموعة الطلاب الإناث الحاصل على درجة الرياضيات ثابتة. كيف يمكننا تفسير معامل 16.85218 لمتغير سجل النتيجة القراءة دعونا تأخذ قيمتين من القراءة النتيجة، r1 و r2. إن متوسط ​​الفرق المتوقع في درجة الكتابة عند r1 و r2، مع الاحتفاظ بمتغيرات المتنبأ الأخرى ثابتة، هو الكتابة (r2) - الكتابة (r1) 946 3 (لوغ (r2) - لوغ (r1)) 946 3 لوغ (r2r1). وهذا يعني أنه طالما أن نسبة الزيادة في القراءة (متغير التنبؤ) ثابتة، فسوف نرى نفس الفارق في درجة الكتابة، بغض النظر عن نقاط القراءة الأساسية. على سبيل المثال، يمكننا أن نقول أنه للحصول على 10 زيادة في درجة القراءة، والفرق في متوسط ​​درجات الكتابة المتوقعة سيكون دائما 946 3 سجل (1.10) 16.85218log (1.1) 1.61. كل من متغير النتيجة وبعض متغيرات التنبؤ هي تحويل سجل ما يحدث عندما يكون كل من متغير النتيجة ومتغيرات التنبؤ هي تحويل السجل يمكننا الجمع بين اثنين من الحالات الموصوفة سابقا في واحد. هنا مثال على هذا النموذج. كتبنا كمعادلة، يمكننا وصف النموذج: بالنسبة للمتغيرات التي لم تتحول، مثل الإناث. معامله الأسي هو نسبة المتوسط ​​الهندسي للإناث إلى المتوسط ​​الهندسي لمجموعة الطلاب الذكور. على سبيل المثال، في مثالنا، يمكننا أن نقول إن الزيادة المتوقعة في المتوسط ​​الهندسي من مجموعة الطلاب الذكور إلى مجموعة الطالبات هي حوالي 12 عقد متغيرات أخرى ثابتة، منذ إكس (.1142399) 1.12. للحصول على درجة القراءة، يمكننا أن نقول أنه من أجل زيادة وحدة واحدة في درجة القراءة، كنا نتوقع أن نرى حوالي 0.7 من الزيادة في المتوسط ​​الهندسي للكتابة النتيجة، منذ إكس (.0066086) 1.007. الآن، يتيح التركيز على تأثير الرياضيات. تأخذ قيمتين من الرياضيات. m1 و m2، مع الاحتفاظ متغيرات التنبؤ الأخرى في أي قيمة ثابتة. المعادلة فوق الغلة ويمكن تبسيطها لتسجيل (الكتابة (m2) الكتابة (m1)) 946 2 (لوغ (m2m1)). مما يؤدي إلى هذا يخبرنا أنه طالما أن نسبة اثنين من عشرات الرياضيات، m2m1 يبقى نفسه، فإن النسبة المتوقعة للمتغير النتيجة، الكتابة. يبقى على حاله. على سبيل المثال، يمكننا أن نقول أنه لأي زيادة 10 في درجة الرياضيات، فإن النسبة المتوقعة من اثنين من وسائل هندسية لكتابة النتيجة ستكون 1.10946 2 1.10.4085369 1.0397057. وبعبارة أخرى، فإننا نتوقع حوالي 4 زيادة في درجة الكتابة عندما تزيد النتيجة الرياضيات بنسبة 10. محتوى هذا الموقع لا ينبغي أن يفسر على أنه تأييد لأي موقع على شبكة الإنترنت، كتاب، أو منتج معين من قبل جامعة كاليفورنيا.