Interpretation cube root transformation
Verfasst: So Jul 07, 2019 2:00 pm
Hallo,
ich habe eine Regression mit einer cube root Transformation durchgeführt. Meine Frage ist, wie man die Ergebnisse interpretiert bzw. wie man die Betas retransformiert, damit sie sich interpretieren lassen.
Variablen:
- cnt (target): Anzahl ausgeliehener Fahräder.
- temp: Temperatur (normalisiert zwischen 0 und 1). Ist hier aber eher nebensächlich.
Bsp.: Modell ohne Transformation
Interpretation: Steigt die Temperatur um 1 Grad, steigt die Anzahl der gliehen Fahräder im Schnitt um 381,29 Einheiten.
--> y = -0.04 + 381.29*x
Bsp.: Modell mit cube root transformation:
Interpretation: Steigt die Temperatur um 1 Grad, steigt die Anzahl der gliehen Fahräder um 84.60 (4.38^3) Einheiten.
--> y^1/3 = 2.86 + 4.39*x
--> y = 2.86^3 + 4.39^3*x
--> y = 23.27 + 84.60*x
Wäre das so OK?
Die Frage ist auch was man macht, wenn die Transformationen komplexer werden, etwa:
Dann lassen sich die Werte nicht mehr so einfach umrechnen. Gibt es in R andere Möglichkeiten?
ich habe eine Regression mit einer cube root Transformation durchgeführt. Meine Frage ist, wie man die Ergebnisse interpretiert bzw. wie man die Betas retransformiert, damit sie sich interpretieren lassen.
Variablen:
- cnt (target): Anzahl ausgeliehener Fahräder.
- temp: Temperatur (normalisiert zwischen 0 und 1). Ist hier aber eher nebensächlich.
Bsp.: Modell ohne Transformation
Code: Alles auswählen
fit = lm(cnt~temp, data = d_ss)
summary(fit)
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -0.0356 3.4827 -0.01 0.992
temp 381.2949 6.5344 58.35 <2e-16 ***
--> y = -0.04 + 381.29*x
Bsp.: Modell mit cube root transformation:
Code: Alles auswählen
fit_cr = lm(cnt^(1/3)~temp, data = d_ss)
summary(fit_cr)
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 2.85580 0.03880 73.61 <2e-16 ***
temp 4.38866 0.07279 60.29 <2e-16 ***
--> y^1/3 = 2.86 + 4.39*x
--> y = 2.86^3 + 4.39^3*x
--> y = 23.27 + 84.60*x
Wäre das so OK?
Die Frage ist auch was man macht, wenn die Transformationen komplexer werden, etwa:
Code: Alles auswählen
fit_comp = lm(cnt^(1/3)~log(temp) + sqrt(variable2) + variable3 , data = d_ss)