- Взаимодействие независимых переменных
Содержание
- 2. 2 Когда в начале предыдущей главы была введена множественная регрессия, было указано, что коэффициенты наклона представляют
- 3. 3 В данной модели такая интерпретация невозможна. В частности, невозможно интерпретировать β2 как воздействие X2 на
- 4. 4 Чтобы правильно интерпретировать коэффициенты, теперь мы можем переписать модель, как это представлено выше. Коэффициент X2,
- 5. 5 Переписанная модель явно указывает на то, что предельный эффект X2 зависит от значения X3. Интерпретация
- 6. 6 Можно так же переписать модель, как в третьей строке. Отсюда можно увидеть, что предельный эффект
- 7. 7 β4 можно интерпретировать как изменение коэффициента X2 при изменении X3 на единицу. В равной степени
- 8. 8 Если X3 = 0 далеко за пределами его диапазона в выборке, то интерпретация β2 как
- 9. 9 Иногда оценка будет выглядеть совершенно неправдоподобной, так же, как оценка постоянной в регрессии часто неправдоподобна,
- 10. 10 Это может затруднить сравнение оценок эффектов X2 и X3 на Y в моделях, исключающих и
- 11. 11 Один из способов облегчения проблемы состоит в том, чтобы промасштабировать X2 и X3, чтобы они
- 12. 12 ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ Подставляя X2 и X3, модель, как показано, с новыми параметрами, определена исходными
- 13. 13 ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ Дело в том, что коэффициенты X2 и X3 теперь дают предельные эффекты
- 14. 14 Например, можно видеть, что β2* дает предельный эффект X2*, и следовательно, X2, когда X3* =
- 15. 15 β3* имеет аналогичную интерпретацию. ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
- 16. . reg LGEARN S EXP ---------------------------------------------------------------------------- Source | SS df MS Number of obs = 500
- 17. 17 Регрессия предполагает, что дополнительный год обучения увеличивает заработную плату на 9.2 процента, а дополнительный год
- 18. . gen SEXP = S*EXP . reg LGEARN S EXP SEXP ---------------------------------------------------------------------------- Source | SS df
- 19. 19 Коэффициент обучения упал. Теперь он изменил свое значение. В настоящее время оценивается влияние дополнительного учебного
- 20. 20 Коэффициент опыта резко упал. Его значение так же изменилось. Теперь это относится к людям без
- 21. 21 Коэффициент SEXP показывает, что коэффициент школьного обучения падает на 0.0012, that is, 0.12 процента за
- 22. 22 Теперь мы определяем S1, EXP1, и SEXP1 как соответствующее обучение, опыт и взаимодействующие переменные за
- 23. . reg LGEARN S1 EXP1 ---------------------------------------------------------------------------- Source | SS df MS Number of obs = 500
- 24. 24 Коэффициенты наклона (и их стандартные ошибки и t статистика) такие же как и раньше. Только
- 25. 25 В исходном описании постоянные оценки предсказывали LGEARN когда S = 0 и EXP = 0.
- 26. 26 В пересмотренном описании постоянные оценки прогнозировали LGEARN когда S1 = 0 и EXP1 = 0,
- 27. . reg LGEARN S1 EXP1 SEXP1 ---------------------------------------------------------------------------- Source | SS df MS Number of obs =
- 28. 28 Однако нижняя половина отличается. Коэффициенты S1 и EXP1 измеряют эффекты этих переменных для среднего значения
- 29. . reg LGEARN S EXP SEXP ---------------------------------------------------------------------------- LGEARN | Coef. Std. Err. t P>|t| [95% Conf.
- 30. 30 Как и прежде, он измеряет изменение коэффициента школьного обучения на единицу (один год) с изменением
- 31. 31 С помощью переменных с вычтенным средним мы можем более четко видеть влияние включения взаимодействия постоянных.
- 32. 32 Если мы предположим, что он должен быть в модели, то не включая его, мы мало
- 34. Скачать презентацию
2
Когда в начале предыдущей главы была введена множественная регрессия, было указано, что коэффициенты
2
Когда в начале предыдущей главы была введена множественная регрессия, было указано, что коэффициенты
3
В данной модели такая интерпретация невозможна. В частности, невозможно интерпретировать β2 как воздействие
3
В данной модели такая интерпретация невозможна. В частности, невозможно интерпретировать β2 как воздействие
4
Чтобы правильно интерпретировать коэффициенты, теперь мы можем переписать модель, как это представлено выше.
4
Чтобы правильно интерпретировать коэффициенты, теперь мы можем переписать модель, как это представлено выше.
5
Переписанная модель явно указывает на то, что предельный эффект X2 зависит от значения
5
Переписанная модель явно указывает на то, что предельный эффект X2 зависит от значения
6
Можно так же переписать модель, как в третьей строке. Отсюда можно увидеть, что
6
Можно так же переписать модель, как в третьей строке. Отсюда можно увидеть, что
7
β4 можно интерпретировать как изменение коэффициента X2 при изменении X3 на единицу. В
7
β4 можно интерпретировать как изменение коэффициента X2 при изменении X3 на единицу. В
8
Если X3 = 0 далеко за пределами его диапазона в выборке, то интерпретация
8
Если X3 = 0 далеко за пределами его диапазона в выборке, то интерпретация
9
Иногда оценка будет выглядеть совершенно неправдоподобной, так же, как оценка постоянной в регрессии
9
Иногда оценка будет выглядеть совершенно неправдоподобной, так же, как оценка постоянной в регрессии
10
Это может затруднить сравнение оценок эффектов X2 и X3 на Y в моделях,
10
Это может затруднить сравнение оценок эффектов X2 и X3 на Y в моделях,
11
Один из способов облегчения проблемы состоит в том, чтобы промасштабировать X2 и X3,
11
Один из способов облегчения проблемы состоит в том, чтобы промасштабировать X2 и X3,
12
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
Подставляя X2 и X3, модель, как показано, с новыми параметрами, определена
12
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
Подставляя X2 и X3, модель, как показано, с новыми параметрами, определена
13
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
Дело в том, что коэффициенты X2 и X3 теперь дают предельные
13
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
Дело в том, что коэффициенты X2 и X3 теперь дают предельные
14
Например, можно видеть, что β2* дает предельный эффект X2*, и следовательно, X2, когда
14
Например, можно видеть, что β2* дает предельный эффект X2*, и следовательно, X2, когда
15
β3* имеет аналогичную интерпретацию.
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
15
β3* имеет аналогичную интерпретацию.
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
. reg LGEARN S EXP
----------------------------------------------------------------------------
Source | SS df MS Number of obs
. reg LGEARN S EXP
----------------------------------------------------------------------------
Source | SS df MS Number of obs
17
Регрессия предполагает, что дополнительный год обучения увеличивает заработную плату на 9.2 процента, а
17
Регрессия предполагает, что дополнительный год обучения увеличивает заработную плату на 9.2 процента, а
. gen SEXP = S*EXP
. reg LGEARN S EXP SEXP
----------------------------------------------------------------------------
Source | SS
. gen SEXP = S*EXP
. reg LGEARN S EXP SEXP
----------------------------------------------------------------------------
Source | SS
19
Коэффициент обучения упал. Теперь он изменил свое значение. В настоящее время оценивается влияние
19
Коэффициент обучения упал. Теперь он изменил свое значение. В настоящее время оценивается влияние
20
Коэффициент опыта резко упал. Его значение так же изменилось. Теперь это относится к
20
Коэффициент опыта резко упал. Его значение так же изменилось. Теперь это относится к
21
Коэффициент SEXP показывает, что коэффициент школьного обучения падает на 0.0012, that is, 0.12
21
Коэффициент SEXP показывает, что коэффициент школьного обучения падает на 0.0012, that is, 0.12
22
Теперь мы определяем S1, EXP1, и SEXP1 как соответствующее обучение, опыт и взаимодействующие
22
Теперь мы определяем S1, EXP1, и SEXP1 как соответствующее обучение, опыт и взаимодействующие
. reg LGEARN S1 EXP1
----------------------------------------------------------------------------
Source | SS df MS Number of obs
. reg LGEARN S1 EXP1
----------------------------------------------------------------------------
Source | SS df MS Number of obs
24
Коэффициенты наклона (и их стандартные ошибки и t статистика) такие же как и
24
Коэффициенты наклона (и их стандартные ошибки и t статистика) такие же как и
25
В исходном описании постоянные оценки предсказывали LGEARN когда S = 0 и EXP
25
В исходном описании постоянные оценки предсказывали LGEARN когда S = 0 и EXP
26
В пересмотренном описании постоянные оценки прогнозировали LGEARN когда S1 = 0 и EXP1
26
В пересмотренном описании постоянные оценки прогнозировали LGEARN когда S1 = 0 и EXP1
. reg LGEARN S1 EXP1 SEXP1
----------------------------------------------------------------------------
Source | SS df MS Number of
. reg LGEARN S1 EXP1 SEXP1
----------------------------------------------------------------------------
Source | SS df MS Number of
28
Однако нижняя половина отличается. Коэффициенты S1 и EXP1 измеряют эффекты этих переменных для
28
Однако нижняя половина отличается. Коэффициенты S1 и EXP1 измеряют эффекты этих переменных для
. reg LGEARN S EXP SEXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t|
. reg LGEARN S EXP SEXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t|
30
Как и прежде, он измеряет изменение коэффициента школьного обучения на единицу (один год)
30
Как и прежде, он измеряет изменение коэффициента школьного обучения на единицу (один год)
31
С помощью переменных с вычтенным средним мы можем более четко видеть влияние включения
31
С помощью переменных с вычтенным средним мы можем более четко видеть влияние включения
32
Если мы предположим, что он должен быть в модели, то не включая его,
32
Если мы предположим, что он должен быть в модели, то не включая его,
Деление на десятичную дробь
Сравнение, сложение и вычитание десятичных дробей
Пирамида. 10 класс
Дистанционный урок по математике 10 марта 2014 года
Конус. Сечения конической поверхности. Площадь поверхности конуса
Квадратні рівняння. Розв’язування неповних квадратних рівнянь
Теорема Пифагора
Параллельность плоскостей в пространстве. Параллельное проецирование. Площадь ортогональной проекции
Диференціальне числення функції однієї змінної
Конус. Площадь поверхности конуса. Усеченный конус
Действия с дробями. Решение задач по теме действия с дробями (часть 2)
Математические основы построения экспертной модели при расплывчатости границ между смежными рангами пожара
Координатная плоскость. 6 класс
Решение задач. Составить выражение к задаче
Свойства функции. Пара №49
1_1 Определение вероятности
Презентация к уроку математики:Задачи на увеличение (уменьшение) на несколько единиц .
Матрицы: элементарные преобразования строк, приведение к ступенчатому виду и виду Гаусса. Ранг матрицы
Математика в 3 классе
Решение текстовых задач №11, подготовка к ЕГЭ
Интегрирование дробно-рациональных функций
Метод главных элементов для решения системы линейных уравнений
Аксиомы стереометрии
Аксиомы стереометрии и их следствия. 10 класс
Презентация Решение задач
Теоретические основы математической логики
К практической работе № 2 МИМНИ
Решение задач по теме Площадь круга