좋은 오후에요,
LMM을 구축 중이고, 그림 1에 첨부된 QQ 플롯을 만들었습니다. 조건부 잔차가 정규성에서 상당히 벗어나는 것 같아서 반응 변수 데이터를 log 10을 사용하여 변환했습니다. 이렇게 하니 R^2가 약 2% 향상되었고, QQ 플롯도 조금 더 나아진 것 같습니다(그림 2). 하지만 이러한 약간의 개선이 변환의 가치가 있는지는 잘 모르겠습니다. 논문에 보고하려면 데이터를 다시 비로그 데이터로 변환해야 하는데, 이는 실제 산술적 차이가 아닌 배수 변화(fold-change)가 될 것입니다.
감사합니다!
강사님 중 한 분이 "데이터 변환을 하는 유일한 이유는 모델을 단순화하기 위해서입니다."라고 말씀하셨던 게 기억납니다. 참고로, 그건 GEP Box였습니다. 이 주제에 대한 그의 논문을 읽어보시길 권합니다.
Box, GEP, Paul Tidwell, (1962) " 독립 변수의 변환 ", 기술계량학 , Vol. 4, No. 4, 11월
또한 논문과 첨부된 토론 내용:
드레이퍼, 노먼, 윌리엄 헌터, (1969), "변환: 몇 가지 사례 재검토", 기술계량학 , 제11권, 제1호, 2월
안녕하세요 @blip555555
(익명화된) 데이터셋 없이는 현재 상황에 대한 도움을 드리기가 매우 어렵습니다(불가능할 수도 있습니다). "정답에 대한 정답을 빠르게 얻는 방법" 게시물을 읽어보세요.
변환이 필요한지 평가하려면 잔차 그림을 살펴보고 가정된 모형에서 처리되지 않는 잔차 패턴이 여전히 존재하는지 확인하는 것이 중요합니다. 이분산성이 발생하고 있습니까? 아니면 잔차에 이상한 패턴이 있습니까? 자세한 내용은 회귀 모형 가정 | 통계학 개론 | JMP를 참조하세요.
또한 JMP Pro에서 일반화 선형 혼합 모델 (GLM)과 데이터 변환을 구분하고 싶습니다. GLM에서는 반응 분포를 지정할 수 있고(정규, 지수, 감마 등 다양한 반응 분포를 갖는 모델을 적합시킬 수 있음)
- 종속변수에 비선형(예: 로그, 역변환) 변환을 적용하면 잔차가 정규화될 뿐만 아니라 측정변수의 비율척도 속성도 왜곡됩니다. 변환은 평균 반응값과 분산 모두에 영향을 미치므로 오차항이 크게 부풀려질 수 있습니다.
- GLM을 적용하고 연결 함수를 사용하여 모델을 설정하면 데이터의 원래 척도를 유지할 수 있습니다. 연결 함수를 사용하여 평균을 예측 변수의 선형 함수로 변환하고, 분산 함수를 사용하여 분석에서 분산 이질성을 고려합니다. (예: 로그 변환 등을 통해) 변환을 시도하는 대신 말입니다. 따라서 연결 함수는 평균 반응에는 영향을 미치지만 반응 분산에는 영향을 미치지 않으므로 원래 척도에 오류가 발생할 수 있습니다.
자세한 내용은 적합 모델에서 "최소 제곱법"과 "일반화 선형법"의 차이점을 읽어보세요.
이 대화의 시작이 도움이 되기를 바랍니다.
