在《回归分析的基本假设》中提到了回归分析中的基本假设.这里的Box-Cox变换方法能够解决回归模型中的误差项不服从高斯分布的违例问题.通常这种违例情况出现在,误差 ϵ ϵ 与预测变量相关的时候,会影响模型结果的精确度.简单的方法就是通过对 X X 进行变换,如
当P值小于0.003时,由于普通数据转换方法很难使其实现正态化处理,运用Box-Cox变换方法对原数据进行正态化处理就表现出巨大的价值.当P值大于0.003时,两种变换方法均可,但优先考虑普通的平方变换.
Box-Cox变换是对反应变量y进行变换
可以看出,y的Box-Cox变换是一个变换族. λ λ 能够决定变换的具体形式.同时上式有暗含的条件即 y>0 y > 0 .对于任意取值,则应该改为
方法优势
- 保持原始数据中数据的大小次序
- 转换函数连续
- 转换函数可导
- 函数族各函数之间随参数改变平滑过渡,且都经过一个公共点,以增强不同函数之间的可比性
- 函数族内每个函数在公共点两边的变化趋势有一定的对称性
- 函数族的曲线是按P值大小排序的,较大的P值对应的函数曲线位于较小P值得上方
λ λ 值的确定
通过最大似然估计或者Bayes方法.
使用Box-Cox变换族一般都可以保证将数据进行成功的正态变换,但在二分变量或较少水平的等级变量的情况下,不能成功进行转换,这时可以使用广义线性模型,如Logustics模型、Johnson转换等.
本作品采用知识共享署名-非商业性使用-相同方式共享 3.0 中国大陆许可协议进行许可。