Call:
lm(formula = GROWTH ~ log(X1) + log(X2) + log(X3) + log(X4) +
log(X5) + log(1 +X6) + log(1 + X7) +
log(X8) + log(X9) + log(X10) + log(X11) +
log(X12) + log(X13) + X14 + X14:X9 +
X14:X10
data = Data)
Residuals:
Min 1Q Median 3Q Max
-3.04237 -0.31965 0.05351 0.36639 2.52087
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 2.837487 9.543146 0.297 0.766217
log(X1) 0.377957 0.008647 43.71 < 2e-16 ***
log(X2) 0.363631 0.008906 40.829 < 2e-16 ***
log(X3) 0.337246 0.024202 13.934 < 2e-16 ***
log(X4) -0.19371 0.029786 -6.503 8.11E-11 ***
log(X5) 0.01227 0.00437 2.808 0.004995 **
log(1 + X6) 0.006533 0.036977 0.177 0.859759
log(1 + X7) 0.426738 0.191617 2.227 0.02596 *
log(X8) -0.020741 0.009424 -2.201 0.027759 *
log(X9) 11.303514 2.745818 -4.117 3.87E-05 ***
log(X10) -7.466939 0.814056 -9.173 < 2e-16 ***
log(X11) -0.004444 0.00885 -0.502 0.615567
log(X13) 0.067205 0.010626 6.325 2.61E-10 ***
log(X12) 1.711401 0.580518 2.948 0.003203 **
X14 [LEVEL 1] 18.422627 9.391444 -1.962 0.049823 *
X14 [LEVEL 2] 20.160172 9.386903 -2.148 0.031755 *
X14 [LEVEL 3] 12.78601 15.33008 0.834 0.404268
X14 [LEVEL 4] 19.937816 9.679742 -2.06 0.03944 *
X14 [LEVEL 5] 13.83603 10.916449 -1.267 0.205015
X14 [LEVEL 6] 23.939136 9.47908 -2.525 0.011565 *
X14 [LEVEL 7] 20.220041 11.217758 -1.803 0.071487 .
X14 [LEVEL 8]:X9 6.652888 4.17066 1.595 0.110697
X14 [LEVEL 1]:X9 7.560706 1.981892 3.815 0.000137 ***
X14 [LEVEL 2]:X9 8.124572 1.857204 4.375 1.22E-05 ***
X14 [LEVEL 3]:X9 0.765371 5.173577 0.148 0.882393
X14 [LEVEL 4]:X9 8.415016 2.337441 3.6 0.000319 ***
X14 [LEVEL 5]:X9 8.760546 3.293728 2.66 0.007828 **
X14 [LEVEL 6]:X9 10.727086 1.950529 5.5 3.87E-08 ***
X14 [LEVEL 7]:X9 8.913338 3.62592 2.458 0.013974 *
X14 [LEVEL 8]:X10 -9.409351 6.665734 -1.412 0.158089
X14 [LEVEL 1]:X10 5.600412 0.628323 8.913 < 2e-16 ***
X14 [LEVEL 2]:X10 6.308849 0.669047 9.43 < 2e-16 ***
X14 [LEVEL 3]:X10 12.890973 5.191096 -2.483 0.013029 *
X14 [LEVEL 4]:X10 6.008453 0.835861 7.188 6.88E-13 ***
X14 [LEVEL 5]:X10 -0.174229 2.401866 -0.073 0.942174
X14 [LEVEL 6]:X10 6.335575 0.774041 8.185 2.95E-16 ***
X14 [LEVEL 7]:X10 5.391272 2.226843 2.421 0.015488 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.563 on 14573 degrees of freedom
(31913 observations deleted due to missingness)
Multiple R-squared: 0.5652
" Adjusted R-squared: 0.5642 "
F-statistic: 526.3 on 36 and 14573 DF
p-value: < 2.2e-16**
以上是线性GROWTH模型。为了隐私目的，我已在自变量'标签'中替换。在该示例中，所有数值变量都已进行对数变换，并且从属增长变量已应用了框cox变换。在独立的情况下，这样做是为了归一化输入变量，并且箱子cox变换被应用于从属以校正输出中的增加的方差。虽然我当然是R的新手，但我相信这比没有变换的数据更合适。但是，如果我不在这里，请告诉我。现在，我的问题是，我如何解释这些价值观？有没有办法'un'transform输出，所以系数估计和标准误差对我有价值？他们目前的状态很少。
首先，取消转换日志的方法是采取相反的方法。有许多不同类型的日志，其中最常见的是自然日志（看起来这就是你所使用的） - 在这种情况下，你将采用你的变量（x）的自然指数;
EXP（x）的
一个很好的例子就是记录一个数字和exp
> log(58)
[1] 4.060443
> exp(4.060443)
[1] 58
这就是你的标题看起来像
variables estimates estimates_inverse std_error std_error_inverse
<chr> <dbl> <dbl> <dbl> <dbl>
1 Intercept 2.84 17.1 9.54 13949
2 log(x1) 0.378 1.46 0.00865 1.01
3 log(x2) 0.364 1.44 0.00891 1.01
4 log(x3) 0.337 1.40 0.0242 1.02
5 log(x4) -0.194 0.824 0.0298 1.03
6 log(x5) 0.0123 1.01 0.00437 1.00
此外，如果您正常化，则应在记录之前检查每个变量。确保它需要规范化 - 尝试不同的规范化方法（我最喜欢的是z得分归一化;
（变量 - 均值（变量））/（sd（变量））
还有一个能够很好地完成工作的规模
规模（）
使用这些不同的方法并观察R ^ 2和P值
希望这有帮助！