Standardisiert Variablen In Stata Forex

Obwohl Terminologie ein umstrittenes Thema ist, ziehe ich es vor, erklärende Variablen, Prädiktorvariablen zu nennen. Wann die Prädiktoren zu standardisieren: Eine Menge Software für die Durchführung mehrerer linearer Regression liefert standardisierte Koeffizienten, die mit nicht standardisierten Koeffizienten gleichwertig sind, wo man die Prädiktoren manuell standardisiert und die Antwortvariable (natürlich klingt es, als ob man nur über standardisierende Prädiktoren spricht). Meiner Meinung nach ist die Standardisierung ein nützliches Werkzeug, um Regressionsgleichungen sinnvoller zu machen. Dies trifft besonders in Fällen zu, in denen die Metrik der Variablen der Person, die die Regressionsgleichung interpretiert (dh eine psychologische Skala auf einer beliebigen Metrik), fehlt. Es kann auch verwendet werden, um die Vergleichbarkeit der relativen Bedeutung von Prädiktorvariablen zu erleichtern (obwohl andere anspruchsvollere Ansätze für die Beurteilung der relativen Bedeutung vorhanden sind, siehe meinen Beitrag für eine Diskussion). In Fällen, in denen die Metrik eine Bedeutung für die Person hat, die die Regressionsgleichung interpretiert, sind nicht standardisierte Koeffizienten oft informativer. Ich denke auch, dass das Verlassen auf standardisierte Variablen die Aufmerksamkeit von der Tatsache abwenden kann, dass wir nicht darüber nachgedacht haben, wie man die Metrik einer Variablen für den Leser sinnvoller macht. Andrew Gelman hat ein bisschen zum Thema zu sagen. Siehe seine Seite auf Standardisierung zum Beispiel und Gelman (2008, Stats Med, FREE PDF) im Besonderen. Vorhersage auf der Grundlage der Standarisierung: Ich würde keine standardisierten Regressionskoeffizienten für die Vorhersage verwenden. Sie können immer standardisierte Koeffizienten auf nicht standardisierte Koeffizienten umwandeln, wenn Sie den Mittelwert und die Standardabweichung der Prädiktorvariablen in der Originalprobe kennen. MichaelBishop I39m denke an Kontexte, wo du dein Regressionsmodell nimmst und es anwendet, um aus den Beispieldaten vorherzusagen. Im Allgemeinen wollen Sie nicht standardisierte Vorhersagen. Auch Mittel und Standardabweichungen können sich über Proben mit nicht standardisierten Prädiktoren ändern, um so aussagekräftigere Ergebnisse zu erzielen. Ndash Jeromy Anglim Dec 2 11 at 4:06 Lass mich mit einem kurzen Antwort-Teig antworten, den es mit der hervorragenden Antwort überschreiben könnte. Immer standarisieren, das erlaubt Ihnen, die Regression zu interpretieren, besonders die Koeffizienten der Regression besser. Für die neuen Daten, die nicht standarize sind, empfehle ich Ihnen, die Werte zu speichern, die Sie für jede Variable verwendet haben, um standardisiert zu werden, wie das Maximum und das Minimum, und dann die gleiche Transformation, die Sie in der Loch-Dataset vor, aber nur für diese Einzelne Instanz. Standardisierung ist alles über die Gewichte der verschiedenen Variablen für das Modell. Wenn man die Normierung nur um der numerischen Stabilität willen macht, kann es zu Transformationen kommen, die sehr ähnliche numerische Eigenschaften ergeben, aber unterschiedliche physikalische Bedeutung, die für die Interpretation viel besser geeignet ist. Das gleiche gilt für die Zentrierung, die in der Regel Teil der Standardisierung ist. Situationen, in denen Sie wahrscheinlich standardisieren wollen: Die Variablen sind unterschiedliche physikalische Größen und die numerischen Werte sind auf sehr unterschiedlichen Größenordnungen und es gibt kein externes Wissen, dass die Variablen mit hoher (numerischer) Variation als wichtiger angesehen werden sollten. Situationen, in denen Sie nicht standardisieren wollen: Wenn die Variablen die gleiche physikalische Größe sind und (ungefähr) gleicher Größe sind, z. B. Relative Konzentrationen unterschiedlicher chemischer Spezies-Absorptionswerte bei unterschiedlicher Wellenlänge Emissionsintensität (ansonsten gleiche Messbedingungen) bei verschiedenen Wellenlängen definitiv nicht standardisierende Variablen, die sich nicht zwischen den Samples ändern (Basiskanäle) - youd blasen nur das Messrauschen (Sie können Wollen sie aus dem Modell ausschließen), wenn man so physikalisch verwandte Variablen hat, kann dein Messrauschen für alle Variablen ungefähr gleich sein, aber die Signalintensität variiert viel mehr. D. h. Variablen mit niedrigen Werten haben höhere relative Rauschen. Die Standardisierung würde das Geräusch aufblasen. Mit anderen Worten, Sie müssen vielleicht entscheiden, ob Sie ein relatives oder absolutes Rauschen standardisieren wollen. Es kann körperlich sinnvolle Werte geben, die Sie verwenden können, um Ihren Messwert auf z. B. Anstelle der übertragenen Intensität Verwendung Prozent der übertragenen Intensität (Transmission T). Sie können etwas dazwischen machen und die Variablen umwandeln oder die Einheit wählen, damit die neuen Variablen noch eine physikalische Bedeutung haben, aber die Variation des Zahlenwerts ist nicht so verschieden, z. B. Wenn Sie mit Mäusen arbeiten, verwenden Sie das Körpergewicht g und die Länge in cm (erwartete Variationsbreite von etwa 5 für beide) anstelle der Basiseinheiten kg und m (erwartete Variationsbreite von 0,005 kg und 0,05 m - eine Größenordnung unterschiedlich). Für die Transmission T oben können Sie die Extinktion A-log T für die Zentrierung in Betracht ziehen: Es kann (physikalisch-chemisch-biologisch) sinnvolle Baseline-Werte zur Verfügung stehen (zB Kontrollen, Jalousien, etc.) Ist der Mittel eigentlich sinnvoll (Der durchschnittliche Mensch hat Ein Eierstock und ein Hoden) sarikan: schau auf fig. 1 in diesem Artikel: americanlaboratory913-Technical-Articleshellip aus biologischen und physikalisch-chemischen Gründen, im Bereich zwischen 2000 und 2700 cm werden keine Signale erwartet. Diese Region kann verwendet werden, um die Grundlinie (von physikalischen Effekten, die nicht Raman sind) zu schätzen, die dann subtrahiert wird. Diese Variablen sind dann etwa null plus etwas Rauschen. Ndash cbeleites Ich habe Ihre Behauptung, dass Standardisierung Prädiktoren ist in erster Linie nicht empfohlen, vor allem, wenn Interaktionen beteiligt sind. Wot weder Gelman und Hill, noch Raudenbush amp Bryk erwähnen diese Sorge in ihren Texten. Aber wenn ich eine Chance habe, werde ich mir die Referenzen anschauen, die Sie mit Interesse erwähnen. Ndash Michael Bishop Dec 1 11 at 20:16 Wenn wir das Kalibrieruniversum std als Skalierungsvariable verwenden, dann ist die Skalierung nicht stochastisch. Ndash adam Jan 28 15 um 21:33 Deine Antwort 2017 Stack Exchange, Inc