Yanıtlar:
Mutlaka hiçbir şey yapmanız gerekmez. Tahmincinin iyi çalışması mümkündür. Hatta aralık, muhtemelen aralığına tahminler (yani, kullanım sıkma dış değerlere belirleyici tahmininde ise yerine, y ) de yapar. Bunun işe yarayıp yaramadığını görmek için modeli çapraz doğrulayın.
Bununla birlikte, kısıtlı aralık bağımlı değişken ( ) ve bağımsız değişkenler ( ) arasında doğrusal olmayan bir ilişki olasılığını arttırır . Bunun bazı ek göstergeleri şunları içerir:
Kalıntı değerleri daha büyük bir farklılaşma zaman y aralığının her iki ucunda da artıklara varyasyonuna göre, kendi aralığının ortasında yer almaktadır.
Spesifik doğrusal olmayan ilişkilerin teorik nedenleri.
Model yanlış spesifikasyonunun kanıtı (olağan yollarla elde edilir).
İkinci dereceden veya yüksek mertebeden terimlerin .
Bu koşullardan herhangi birinin geçerli olması durumunda doğrusal olmayan bir yeniden ifadesini düşünün .
Yeniden ifade etmenin birçok yolu vardır daha doğrusal ilişkileri oluşturmak için x i . Örneğin, [ 0 , 70 ] aralığında tanımlanan herhangi bir artan fonksiyon f , y → f ( y ) - f ( 70 - y ) yoluyla simetrik bir artış fonksiyonu oluşturmak için "katlanabilir" . Eğer f argümanı yaklaştıkça rasgele büyük ve negatif olur 0 , katlanmış versiyonu f eşler [ 0 , 70 ]tüm gerçek sayılara. Bu tür fonksiyonlara örnek olarak logaritma ve herhangi bir negatif güç verilebilir. Logaritmanın kullanılması @ user603 tarafından önerilen "logit link" e eşdeğerdir. Başka bir yol, herhangi bir olasılık dağılımının ters CDF'si olmasını sağlamak ve f ( y ) = G ( y / 70 ) tanımlamaktır . Normal dağılımın kullanılması "probit" dönüşümünü verir.
Dönüşüm ailelerini sömürmenin bir yolu deney yapmaktır: olası bir dönüşümü deneyin, dönüştürülen x i'ye karşı hızlı bir gerilemesini gerçekleştirin ve kalıntıları test edin: y'nin tahmin edilen değerlerinden bağımsız görünmelidirler (homoscedastik ve ilişkisiz) ). Bunlar bağımsız değişkenlerle doğrusal bir ilişkinin işaretleridir. Geri dönüşümü öngörülen değerlerin kalıntıları küçük olma eğilimindeyse de yardımcı olur . Bu, dönüşümün uyumu iyileştirdiğini gösterir. Aykırı değerlerin etkilerine direnmek için, yinelemeli olarak yeniden ağırlıklandırılmış en küçük kareler gibi sağlam regresyon yöntemlerini kullanın .
Düzenleme: Bir vektörü yeniden ölçeklendirdiğinizde (yani tüm öğeleri en büyük girdiye böldüğünüzde), kural olarak, bunu yapmadan önce, aykırı değerler için ekran (göz küreleri).
GÜNCELLEME