Я хочу сравнить данные, которые пропорции между тремя различными группами, например:
ID Group Prop.Nitrogen
1 A 0.89
2 A 0.85
3 B 0.92
4 B 0.97
Вслед за Уортоном и Хуэем (doi: 10.1890 / 10-0340.1 1 ) я подумал, что лучше посмотреть, будут ли эти данные лучше обрабатывать с использованием преобразованного логита.
Когда я смотрю на диагностические графики для линейных моделей на преобразованных и не преобразованных данных, они выглядят очень похожими, без явных проблем, и есть только небольшие различия в оценочных параметрах. Однако я все же хотел бы сказать, насколько хорошо модель подходит для преобразованных и нетрансформированных версий данных - я знаю, что не могу сравнивать значения AIC напрямую. Есть ли исправление, и я могу сделать, чтобы изучить это? Или я должен использовать другой подход?
data-transformation
aic
fitting
Дэвид Ш
источник
источник
boxcox()
в библиотеке MASS), хотя я не уверен, может ли оно иметь дело с преобразованиями logit.boxcox()
исходные данные или преобразованные данные?Ответы:
Мой опыт работы с преобразованными данными позволяет предположить, что корреляция улучшается после преобразования, а также гомоскедастичности и / или нормальности, хотя они не обязательно являются оптимальными для какого-либо отдельного преобразования. Одним простым ответом может быть вычисление коэффициентов корреляции между двумя моделями и их соответствующими наборами данных. Можно даже проверить на значимость различия коррелированных коэффициентов корреляции. Тесты на гомоскедастичность и функцию функции плотности остатков также могут предложить средства для их оценки.
источник