也许这是一个非常基本的问题并且已经回答了，但我找不到明确的答案。
我的响应图与预测变量显示“曲线”关系，对数变换有助于实现线性。但是，当我对响应变量进行对数转换或对解释变量进行对数转换时，它也会有所帮助。它们的分布都或多或少接近正常。
那么，从统计的角度来看，什么是更好的转换、响应或预测？还是回归无关紧要，我只需要寻求正态分布？
（我在这里看到，当预测变量没有被转换时，R2 与残差的方差有关并且可以信任。这是唯一的原因吗？）
进行线性回归、响应或解释变量的转换有什么更好的方法？
机器算法验证
回归
数据转换
2022-04-08 10:19:40
2个回答
这取决于实际情况。当您有多个自变量时，有时它们中只有一个具有非线性关系 - 在这种情况下，转换因变量可能会导致其他变量出现问题。在某些情况下，对数变换对一个或另一个变量更有意义。如果您仅记录变换 DV，那么您就是说 IV 中的算术变化与 DV 中的几何变化有关。如果您转换（部分或全部）IV，则相反。通常，与收入或其他金额相关的变量更有意义对数转换。也就是说，收入从每年20,000 美元变为40,000美元更像（在某种意义上）从200,000 美元变为400,000美元，而不是从200,000美元至220,000美元。如果您的所有变量都可以进行合理的对数转换，那么最好进行一些非线性回归，例如样条曲线。
做线性调节。最好转换独立（解释性）变量并根据您的数据使用转换方法，如果 r-square 较高且 MSE 最小，则模型的 r-square 和模型的 MSE（误差均方）说转型是合适的..
其它你可能感兴趣的问题