Log Transformation Von Variablen In Stata Forex

Stata: Datenanalyse und statistische Software Allen McDowell, StataCorp Nicholas J. Cox, Durham University, UK Eine traditionelle Lösung für dieses Problem ist es, eine Logit-Transformation auf die Daten durchzuführen. Nehmen Sie an, dass Ihre abhängige Variable y heißt und Ihre unabhängigen Variablen X heißen. Dann nimmt man an, dass das Modell, das y beschreibt, ist. Wenn man dann die Logit-Transformation durchführt, ist das Ergebnis Wir haben nun die ursprüngliche Variable abgebildet, die durch beschränkt wurde 0 und 1 auf die reelle Linie. Man kann nun dieses Modell mit OLS oder WLS, zum Beispiel mit Regress. Natürlich kann man die Transformation bei Beobachtungen nicht durchführen, bei denen die abhängige Variable null ist oder eins das Ergebnis ein fehlender Wert ist und diese Beobachtung anschließend aus der Schätzprobe entfernt wird. Eine bessere Alternative ist die Schätzung von Glm mit Familie (binomial). Link (logit). Und robust ist dies die von Papke und Wooldridge (1996) vorgeschlagene Methode. Zum Zeitpunkt dieser Artikel veröffentlicht wurde, Statarsquos glm Befehl konnte nicht passen solche Modelle, und diese Tatsache ist in dem Artikel notiert. Glm wurde seitdem speziell zur Behandlung von fraktionalen Antwortdaten verbessert. In beiden Fällen kann es eine wesentliche Frage der Interpretation geben. Lassen Sie uns auf die Interpretation von Nullen konzentrieren: die gleiche Art von Problem kann für diejenigen entstehen. Angenommen, die y-Variable ist der Anteil der Tage, die Arbeitnehmer krank ausgeben. Es gibt zwei extreme Möglichkeiten. Das erste Extrem ist, dass alle beobachteten Nullen tatsächlich Nullen entnommen werden: Jeder Arbeiter hat eine ungleiche Wahrscheinlichkeit, krank zu sein, und es ist nur so, dass einige Arbeiter in unserer Stichprobenperiode gar nicht krank waren. Hier wollen wir oft die beobachteten Nullen in unsere Analyse aufnehmen und die Glm-Route ist attraktiv. Das zweite Extrem ist, dass einige oder möglicherweise alle beobachteten Nullen als strukturelle Nullen zu betrachten sind: Diese Arbeitnehmer werden nicht krank berichten, da sie eine robuste Gesundheit und beispielhafte Hingabe haben. Dies sind Extreme, und Zwischenfälle sind auch häufig. In der Praxis ist es oft hilfreich, auf die Häufigkeitsverteilung zu schauen: eine markierte Spitze bei Null oder man kann Zweifel an einem einzigen Modell, das an alle Daten angepasst ist, hervorheben. Ein zweites Beispiel könnten Daten über Handelsverbindungen zwischen den Ländern sein. Angenommen, die y-Variable ist der Anteil der Einfuhren aus einem bestimmten Land. Hier könnte eine Null strukturell sein, wenn zwei Länder niemals handeln, etwa aus politischen oder kulturellen Gründen. Ein Modell, das sowohl über die Nullen als auch über die Nichtnullpunkte passt, ist möglicherweise nicht sinnvoll, so dass ein anderes Modell betrachtet werden sollte. Für eine ausgedehntere Diskussion siehe Baum (2008). Referenzen Baum, C. F. Modellierungsproportionen. Stata Journal 8: 299ndash303. Papke, L. E. und J. Wooldridge. 1996. Ökonometrische Methoden für fraktionelle Antwortgrößen mit einer Anwendung auf 401 (k) Planteilnehmerquoten. Zeitschrift für Angewandte Ökonometrie 11: 619ndash632.Für schnelle Fragen email dataprinceton. edu. Keine appts. Notwendig während der begehbaren Stunden. Hinweis: Das DSS-Labor ist geöffnet, solange Firestone geöffnet ist, keine Termine erforderlich, um die Labor-Computer für Ihre eigene Analyse zu verwenden. Protokolltransformationen Wenn die Verteilung einer Variablen einen positiven Schiefeffekt aufweist, hilft ein natürlicher Logarithmus der Variablen manchmal, die Variable in ein Modell zu integrieren. Log-Transformationen machen eine positiv geneigte Verteilung normaler. Wenn eine Änderung der abhängigen Variablen mit einer prozentualen Änderung in einer unabhängigen Variablen oder umgekehrt zusammenhängt, wird die Beziehung besser modelliert, indem das natürliche Protokoll von einer oder beiden Variablen genommen wird. Zum Beispiel schätze ich, dass Personen auf Grund von Bildung, Erfahrung und Region des Wohnsitzes anhand von Statas-Stichprobendaten nlsw88, einem Auszug aus 1988 National Logitudinal Study of Young Women, schätzen. Es sieht ok aus, aber wenn ich mir die Verteilung des Besitzes anschaue, sieht es etwas schief aus. So berechne ich ein natürliches Protokoll der Amtszeit. Es scheint ein wenig übersprungen zu sein, sieht aber etwas normal aus. Ich versuche eine Regression mit dem angemeldeten tenure. Der R-squared hat ein wenig höher, so dass die natürlichen Logarithmus zu haben scheint geholfen, um es das Modell besser passen. Wenn die unabhängige Variable, aber nicht die abhängige Variable protokolliert wird, wird eine prozentuale Änderung der unabhängigen Variablen dem 1100-fachen der Koeffizientenänderung in der abhängigen Variablen zugeordnet. Vorhergesagter Lohn -1.6390.681GRADE0.774LNTENURE-1.134SOUTH So ein Prozent Zunahme der Amtszeit ist mit einem Anstieg des Lohnes von 0,01 x 0,774 oder etwa 0,0077 verbunden. Jetzt untersuche ich den Lohn und finde, daß er sehr schief ist. So nehme ich ein natürliches Protokoll des Lohnes, und betrachten Sie die Verteilung der eingelösten Lohn. Die Verteilung sieht viel normaler aus. Nun führe ich die gleiche Regression mit dem geloggen Lohn als abhängige Variable. Wenn die abhängige Variable, aber keine unabhängige Variable protokolliert wird, wird eine einheitliche Änderung in der unabhängigen Variablen mit einem 100-fachen der Koeffizientenprozentänderung in der abhängigen Variablen assoziiert. In diesen Daten, tenure ist in Jahren gemessen: so, erhöht ein Jahr Erhöhung der Besitz erhöht den Lohn um 100x0.026 oder etwa 2,6. Wenn wir sowohl die abhängigen als auch die unabhängigen Variablen loggen, dann suchen wir die Elastizität: Prozentuale Veränderung in X ergibt eine prozentuale Veränderung in Y. vorhergesagte lnwage 0.659 0.084GRADE0.136LNTENURE-0.151SOUTH Ein Prozent Anstieg der Tenure wird geschätzt, um etwa zu ergeben 0.136 Erhöhung des Lohnes. Kopie 2007 Die Truestees der Princeton Universität. Alle Rechte vorbehalten. Dataprinceton. edu Diese Seite wurde zuletzt am 28. August 2008 geändert