Bivariate/multivariate data cleanin

Bivariate/multivariate data cleaning can also be
important (Tabachnick & Fidell, p 139) in multiple
regression. Most regression or multivariate statistics
texts (e.g., Pedhazur, 1997; Tabachnick & Fidell,
2000) discuss the examination of standardized or
studentized residuals, or indices of leverage.
Analyses by Osborne (2001) show that removal of
univariate and bivariate outliers can reduce the
probability of Type I and Type II errors, and improve
accuracy of estimates.
Outlier (univariate or bivariate) removal is
straightforward in most statistical software.
However, it is not always desirable to remove
outliers. In this case transformations (e.g., square
root, log, or inverse), can improve normality, but
complicate the interpretation of the results, and
should be used deliberately and in an informed
manner. A full treatment of transformations is
beyond the scope of this article, but is discussed in
many popular statistical textbooks.

ผลลัพธ์ (ไทย) 1:

ทำความสะอาดข้อมูล Bivariate/หลาย ตัวแปรสามารถสำคัญ (Tabachnick & Fidell, p 139) ในหลายถดถอย สถิติถดถอยหรือหลายตัวแปรมากที่สุดข้อความ (เช่น Pedhazur, 1997 Tabachnick & Fidell2000) กล่าวถึงการตรวจสอบของมาตรฐาน หรือเหลือ studentized หรือดัชนีของเลเวอเรจโดยออสบอร์น (2001) แสดงที่กำจัดไร univariate และ bivariate outliers สามารถลดการความน่าเป็นและข้อผิดพลาด Type II และปรับปรุงความถูกต้องของการประเมินOutlier (ไร univariate หรือ bivariate) กำจัดตรงไปตรงมาในสถิติส่วนใหญ่ซอฟต์แวร์อย่างไรก็ตาม ก็จะไม่ต้องการเอาออกoutliers ในกรณีนี้การแปลง (เช่น สี่เหลี่ยมราก บันทึก หรือผกผัน), สามารถปรับปรุงเครื่อง แต่การตีความผลลัพธ์ ซับซ้อน และควรใช้จงใจ และความลักษณะ เป็นการรักษาเต็มแปลงเกินขอบเขตของบทความนี้ แต่จะกล่าวถึงในตำราสถิตินิยมมาก

ผลลัพธ์ (ไทย) 2:

ทวิ / ทำความสะอาดหลายตัวแปรข้อมูลยังสามารถเป็น
สำคัญ (Tabachnick & Fidell พี 139) ในหลาย
ถดถอย ส่วนใหญ่การถดถอยหรือหลายตัวแปรสถิติ
ตำรา (เช่น Pedhazur, 1997; Tabachnick & Fidell,
2000) หารือเกี่ยวกับการตรวจสอบของมาตรฐานหรือ
เหลือ studentized หรือดัชนีของการงัด.
การวิเคราะห์โดยออสบอร์ (2001) แสดงให้เห็นการกำจัดของที่
ผิดปกติ univariate และ bivariate สามารถลด
น่าจะเป็นของ Type I และ Type II ข้อผิดพลาดและปรับปรุง
ความถูกต้องของการประมาณการ.
ค่าผิดปกติ (univariate หรือ bivariate) กำจัดคือ
ตรงไปตรงมาในซอฟต์แวร์ทางสถิติมากที่สุด.
แต่ก็ไม่ได้เป็นที่น่าพอใจในการลบเสมอ
ค่าผิดปกติ ในกรณีนี้การเปลี่ยนแปลง (เช่นตาราง
รากเข้าสู่ระบบหรือผกผัน) สามารถปรับปรุงปกติ แต่
มีความซับซ้อนการแปลผลและ
ควรจะใช้อย่างจงใจและมีข้อมูลใน
ลักษณะที่ การรักษาเต็มรูปแบบของการเปลี่ยนแปลงคือ
เกินขอบเขตของบทความนี้ แต่จะกล่าวถึงใน
หลายตำราสถิตินิยม