回归模型中对数变换的含义

最新推荐文章于 2024-04-07 16:13:40 发布

zhihao-pku

最新推荐文章于 2024-04-07 16:13:40 发布

阅读量1.6w

点赞数 16

分类专栏：回归分析文章标签：概率论

本文链接：https://blog.csdn.net/weixin_40575651/article/details/106929312

版权

回归分析专栏收录该内容

3 篇文章

订阅专栏

1 精确解释

1.1 因变量采用对数变换

$ln(\hat y)=\beta_0 +\beta_1 \times x$
$\to x+1; \hat y_1 \to \hat y_2$

$\begin{cases} \hat y_1=e^{\beta_0 +\beta_1 \times x}\\ \hat y_2=e^{\beta_0 +\beta_1 \times (x+1)} \end{cases}$

$\begin{aligned} &\frac{\hat y_2}{\hat y_1}\\ &=\frac{e^{\beta_0+\beta_1 \times (x+1)}}{e^{\beta_0+\beta_1 \times x}}\\ &=e^{[\beta_0+\beta_1 \times (x+1)]-[\beta_0+\beta_1 \times x]}\\ &=e^{\beta_1} \end{aligned}$

结论

$x$ 每增加一个单位变为 $x + 1$ ， $\hat y$ 变为原来的 $e^{\beta_1}$ 倍
$x$ 每增加一个单位变为 $x + 1$ ， $\hat y$ 相比原来增加 $[e^{\beta_1}-1]\times 100\%$

1.2 自变量采用对数变换

$\hat y=\beta_0+\beta_1 \times ln(x)$
$\to e\times x; \hat y_1 \to \hat y_2$
$\begin{cases} \hat y_1=\beta_0+\beta_1 \times ln(x)\\ \hat y_2=\beta_0+\beta_1 \times ln(e \times x) \end{cases}$

$\begin{aligned} &\hat y_2-\hat y_1 \\ &=[\beta_0+\beta_1 \times ln(e \times x)]-[\beta_0+\beta_1 \times ln(x)]\\ &=[\beta_0+\beta_1 \times (ln(e)+ln(x))]-[\beta_0+\beta_1 \times ln(x)]\\ &=[\beta_0+\beta_1 \times ln(e)+\beta_1 \times ln(x)]-[\beta_0+\beta_1 \times ln(x)]\\ &=\beta_1 \times ln(e)\\ &=\beta_1 \end{aligned}$
结论

$x$ 变为原来的 $e$ 倍后，则 $\hat y$ 增加 $\beta_1$
如果使用以2为底的对数变换，则 $x$ 变为原来的2倍后， $\hat y$ 增加 $\beta_1$

1.3 因变量和自变量同时采用对数变换

$ln(\hat y)=\beta_0 +\beta_1\times ln(x)$
$\to k \times x; \hat y_1 \to \hat y_2$
$\begin{cases} \hat y_1=e^{\beta_0+\beta_1\times ln(x)}\\ \hat y_2=e^{\beta_0+\beta_1\times ln(k \times x)} \end{cases}$

$\begin{aligned} &\frac{\hat y_2}{\hat y_1}\\ &=\frac{e^{\beta_0+\beta_1\times ln(k \times x)}}{e^{\beta_0+\beta_1\times ln(x)}}\\ &=e^{[\beta_0+\beta_1\times ln(k \times x)]-[\beta_0+\beta_1\times ln(x)]}\\ &=e^{[\beta_0+\beta_1 \times ln(k)+\beta_1 \times ln(x)] - [\beta_0+\beta_1\times ln(x)]}\\ &=e^{\beta_1 \times ln(k)}\\ &=[e^{ln(k)}]^{\beta_1}\\ &=k^{\beta_1} \end{aligned}$
结论

$x$ 变为原来的 $k$ 倍， $\hat y$ 变为原来的 $k^{\beta_1}$ 倍
$x$ 变为原来的 $k$ 倍， $\hat y$ 增加 $[k^{\beta_1} - 1]\times 100\%$

2 粗略解释

2.1 $e^{\beta} - 1$ 与 $\beta$ 的关系

library(ggplot2)
library(latex2exp)

x <- seq(0, 0.5, 0.001)
y1 <- x
y2 <- exp(x) - 1
df <- data.frame(x = x, y1 = y1, y2 = y2)

ggplot(data = df) +
  geom_line(aes(x = x, y = y1, color = "beta"), size = 1) +
  geom_line(aes(x = x, y = y2, color = "exp(beta)-1"), size = 1) +
  labs(x = TeX('$\\beta$'), y = "Y") + 
  theme_classic()