如何解释带有记录的 DV 的回归表？

Question

我正在写一篇研究论文，并使用 R 进行定量分析。我正在使用 OLS 回归，并且需要对因变量执行对数转换以实现线性，但是我不再理解我的回归表，希望有人可以帮助我解释它。

为了运行对数回归，我需要使用此代码过滤零，这也可以解释为什么我的结果看起来不同以及日志的效果：

如果没有日志，它以前看起来像这样：

回归后，它看起来像这样：

Answer 1

非常好的分析，感谢分享。

几点建议：

• 为了使两份报告中的报告具有可比性，请过滤零利润/税收/营业额。目前，您仅将此过滤器应用于

  log

  型号。
• 另一种选择是不做

  log(tax)

  而是做

  log(tax+1)

  。在这种情况下，

  tax=0

  将映射到

  log(1+0) = 0

  。这将允许一起使用所有数据点。这会影响模型的准确性。

返回您的报告。您有一个相当短的表格（与标准回归报告相比），您可以从中分析模型的质量和变量的重要性。

• 首先看

  Adjusted R2

  。 R2 越高，模型越好。 R2 显示由因子解释的因变量的百分比。例如，44.5%的对数税收模型是由因素解释的。综上所述，

  log

  模型显示出更高的预测能力。但当然，这可能是因为您已经过滤了部分数据集来构建日志模型。
• 然后您可以检查哪些系数变为零。例如，

  Num Employees

  是预测

  tax

  的重要因素（三颗星非零），并且在

  log tax

  模型中为零。这里你应该使用专家的意见来决定哪个模型显示真实的关系，即员工数量是否影响利润等等。
• 您还可以注意因素的符号。例如，在

  tax

  模型中，

  Num Employees

  系数为

  -14.347

  。这意味着

  Num Employees

  对税收有负面影响，即你拥有的员工越多，税收就越低
• 最后你应该注意每个系数附近的星星。三颗星意味着系数对于模型很重要，如果排除这些系数，模型将会变弱。没有开始的系数称为

  insignificant

  。这些系数可以从模型中排除，而 R2（预测精度）不会显着下降。或者更简单地说，我们不确定它们不是零。是的，在表中您可能会看到非零值，但实际上效果很可能为零。通常您需要更多数据来更加确定这些因素。例如，让我们检查log-tax模型中的

  EM 2022

  ，系数是

  -13.998

  ，虽然这是一个很大的值，但没有星星，因此微不足道。因此，仍然有很高的概率为零，这意味着 EM 2022 因子不会影响对数税。在这种情况下，你不能说

  EM 2022

  对

  log-tax

  有负面影响，你说影响是负面的，但微不足道，因此我们不能依赖这种负面关系。