Outlier (univariate or bivariate) r

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.
Assumption Of A Linear Relationship Between The
Independent And Dependent Variable(s).
Standard multiple regression can only accurately
estimate the relationship between dependent and
independent variables if the relationships are linear in
nature. As there are many instances in the social
sciences where non-linear relationships occur (e.g.,
anxiety), it is essential to examine analyses for nonlinearity.
If the relationship between independent
variables (IV) and the dependent variable (DV) is no
linear, the results of the regression analysis will
under-estimate the true relationship. This underestimation
carries two risks: increased chance of a
Type II error for that IV, and in the case of multiple
regression, an increased risk of Type I errors (overestimation)
for other IVs that share variance with that
IV.
Authors such as Pedhazur (1997), Cohen and
Cohen (1983), and Berry and Feldman (1985)
suggest three primary ways to detect non-linearity.
The first method is the use of theory or previous
research to inform current analyses. However, as
many prior researchers have probably overlooked the
possibility of non-linear relationships, this method is
not foolproof. A preferable method of detection is
examination of residual plots (plots of the
standardized residuals as a function of standardized
predicted values, readily available in most statistical
software). Figure 1 shows scatterplots of residuals
that indicate curvilinear and linear relationships.The
third method of detecting curvilinearity is to routinely
run regression analyses that incorporate curvilinear
components (squared and cubic terms; see Goldfeld
and Quandt, 1976 or most regression texts for details
on how to do this) or utilizing the nonlinear
regression option available in many statistical
packages. It is important that the nonlinear aspects of
the relationship be accounted for in order to best
assess the relationship between variables.

ผลลัพธ์ (ไทย) 1:

Outlier (ไร univariate หรือ bivariate) กำจัดตรงไปตรงมาในสถิติส่วนใหญ่ซอฟต์แวร์อย่างไรก็ตาม ก็จะไม่ต้องการเอาออกoutliers ในกรณีนี้การแปลง (เช่น สี่เหลี่ยมราก บันทึก หรือผกผัน), สามารถปรับปรุงเครื่อง แต่การตีความผลลัพธ์ ซับซ้อน และควรใช้จงใจ และความลักษณะ เป็นการรักษาเต็มแปลงเกินขอบเขตของบทความนี้ แต่จะกล่าวถึงในตำราสถิตินิยมมาก สมมติฐานของความสัมพันธ์เชิงเส้นระหว่างการอิสระและ Dependent Variable(s)มาตรฐานถดถอยหลายสามารถเท่านั้นถูกต้องประเมินความสัมพันธ์ระหว่างผู้อยู่ในอุปการะ และตัวแปรอิสระถ้ามีความสัมพันธ์เชิงเส้นในธรรมชาติ มีหลายกรณีในสังคมวิทยาศาสตร์ที่ไม่ใช่เชิงเส้นความสัมพันธ์เกิดขึ้น (เช่นความวิตกกังวล), มันเป็นสิ่งสำคัญในการตรวจสอบวิเคราะห์สำหรับ nonlinearityถ้าความสัมพันธ์ระหว่างอิสระตัวแปร (IV) และตัวแปร (DV) จะไม่ผลของการวิเคราะห์ถดถอยเชิงเส้น จะประเมินขีดความสัมพันธ์ที่แท้จริง Underestimation นี้มีความเสี่ยงที่สอง: เพิ่มโอกาสของการพิมพ์ผิดพลาด II IV นั้น และในหลายกรณีถดถอย เพิ่มความเสี่ยงของชนิดข้อผิดพลาด (overestimation)สำหรับ IVs ที่ต่างกับที่อื่น ๆIV ผู้เขียนเช่น Pedhazur (1997), โคเฮน และโคเฮน (1983), และเบอร์รี่ และเฟลด์แมน (1985)แนะนำ 3 วิธีการตรวจสอบไม่เป็นเชิงเส้นวิธีแรกคือ การใช้ทฤษฎี หรือก่อนหน้านี้งานวิจัยแจ้งปัจจุบันวิเคราะห์ อย่างไรก็ตาม เป็นนักวิจัยก่อนหน้านี้หลายคนอาจจะมองข้ามการวิธีนี้จะเป็นไปได้ของความสัมพันธ์ที่ไม่ใช่เชิงเส้นไม่เข้าใจผิด เป็นวิธีที่สะดวกในการตรวจจับการตรวจแปลงที่เหลือ (การมาตรฐานเหลือมาตรฐานเป็นฟังก์ชันของทำนายค่า พร้อมในทางสถิติซอฟต์แวร์) รูปที่ 1 แสดง scatterplots ของเหลือที่บ่งชี้ความสัมพันธ์เส้นตรง และโค้ง การวิธีที่สามของ curvilinearity การตรวจจับจะเป็นประจำเรียกใช้การวิเคราะห์การถดถอยที่โค้งส่วนประกอบ (ยกกำลังสอง และลูกบาศก์ ดู Goldfeldและ Quandt, 1976 หรือส่วนใหญ่ข้อความถดถอยสำหรับรายละเอียดวิธีการทำเช่นนี้) หรือใช้การไม่เชิงเส้นถดถอยตัวเลือกพร้อมใช้งานในทางสถิติแพคเกจนี้ มันเป็นสิ่งสำคัญที่ด้านไม่เชิงเส้นของความสัมพันธ์จะลงบัญชีเพื่อให้ดีที่สุดประเมินความสัมพันธ์ระหว่างตัวแปร

ผลลัพธ์ (ไทย) 2:

ขอบเขต (univariate หรือ bivariate) กำจัดคือ
ตรงไปตรงมาในซอฟต์แวร์ทางสถิติมากที่สุด.
แต่ก็ไม่ได้เป็นที่น่าพอใจในการลบเสมอ
ค่าผิดปกติ ในกรณีนี้การเปลี่ยนแปลง (เช่นตาราง
รากเข้าสู่ระบบหรือผกผัน) สามารถปรับปรุงปกติ แต่
มีความซับซ้อนการแปลผลและ
ควรจะใช้อย่างจงใจและมีข้อมูลใน
ลักษณะที่ การรักษาเต็มรูปแบบของการเปลี่ยนแปลงคือ
เกินขอบเขตของบทความนี้ แต่จะกล่าวถึงใน
หลายตำราสถิตินิยม.
อัสสัมชัของความสัมพันธ์เชิงเส้นตรงระหว่าง
อิสระกับตัวแปร (s).
ถดถอยพหุคูณมาตรฐานเพียงอย่างถูกต้องสามารถ
ประเมินความสัมพันธ์ระหว่างขึ้นและ
เป็นอิสระ ตัวแปรถ้าความสัมพันธ์เชิงเส้นที่มีใน
ธรรมชาติ เนื่องจากมีหลาย ๆ กรณีในสังคม
วิทยาศาสตร์ที่ความสัมพันธ์ที่ไม่ใช่เชิงเส้นเกิดขึ้น (เช่น
ความวิตกกังวล) มันเป็นสิ่งสำคัญในการตรวจสอบการวิเคราะห์เชิงเส้น.
ถ้าความสัมพันธ์ระหว่างอิสระ
ตัวแปร (IV) และตัวแปรตาม (DV) ไม่มี
เส้น ผลของการวิเคราะห์การถดถอยจะ
อยู่ภายใต้การประเมินความสัมพันธ์ที่แท้จริง เบานี้
ดำเนินการสองความเสี่ยง: โอกาสเพิ่มขึ้นของ
ข้อผิดพลาด Type II สำหรับ IV นั้นและในกรณีของหลาย
ถดถอยเพิ่มความเสี่ยงของข้อผิดพลาด Type I (เช็คสเปียร์)
สำหรับเกลืออื่น ๆ ที่แปรปรวนร่วมกับที่
IV. การ
เขียนเช่น Pedhazur ( 1997), โคเฮนและ
โคเฮน (1983) และแบล็กเบอร์และเฟลด์แมน (1985)
แนะนำสามวิธีหลักในการตรวจสอบที่ไม่เป็นเชิงเส้น.
วิธีแรกคือการใช้ทฤษฎีหรือก่อนหน้า
การวิจัยเพื่อแจ้งการวิเคราะห์ในปัจจุบัน อย่างไรก็ตามในขณะที่
นักวิจัยก่อนที่หลายคนอาจจะมองข้าม
ความเป็นไปได้ของความสัมพันธ์ที่ไม่ใช่เชิงเส้นวิธีนี้คือ
ไม่สามารถจะเข้าใจผิด วิธีที่นิยมของการตรวจสอบคือ
การตรวจสอบที่ดินที่เหลือ (แปลงของ
เหลือที่ได้มาตรฐานเป็นหน้าที่ของได้มาตรฐาน
ค่าคาดการณ์พร้อมในทางสถิติมากที่สุด
ซอฟต์แวร์) รูปที่ 1 แสดง scatterplots ของเศษ
ที่บ่งบอกถึงโค้งและเชิงเส้น relationships.The
วิธีที่สามของการตรวจสอบ curvilinearity เป็นประจำ
ทำงานถดถอยที่รวมการวิเคราะห์โค้ง
ส่วนประกอบ (แง่สี่เหลี่ยมลูกบาศก์ดู Goldfeld
และ Quandt 1976 ส่วนใหญ่หรือตำราการถดถอยสำหรับรายละเอียด
เกี่ยวกับวิธีการ ทำเช่นนี้) หรือใช้การไม่เชิงเส้น
ตัวเลือกที่มีอยู่ในการถดถอยทางสถิติหลาย
แพคเกจ มันเป็นสิ่งสำคัญที่ไม่เป็นเชิงเส้นด้านของ
ความสัมพันธ์นำมาใช้ในเพื่อที่จะ
ประเมินความสัมพันธ์ระหว่างตัวแปร

ผลลัพธ์ (ไทย) 3:

ผิดปกติ ( 2 หรือเทียบ ) การกําจัดตรงไปตรงมาในซอฟต์แวร์ทางสถิติมากที่สุดอย่างไรก็ตาม มันไม่ได้เสมอที่พึงปรารถนาที่จะลบผิดปกติ . ในกรณีนี้การแปลง ( เช่น ตารางรากเข้าสู่ระบบหรือตรงกันข้าม ) สามารถปรับปรุงปกติ แต่ความซับซ้อนของการแปลผล และควรใช้เจตนาในการแจ้งลักษณะ การรักษาเต็มรูปแบบของการแปลงเป็นอยู่นอกเหนือขอบเขตของบทความนี้ แต่จะกล่าวถึงในตำราทางสถิติที่ได้รับความนิยมมากสมมติฐานของความสัมพันธ์เชิงเส้นระหว่างอิสระและตัวแปรตาม ( s )มาตรฐานหลายขั้นตอนสามารถได้อย่างถูกต้องประมาณความสัมพันธ์ระหว่างตัวแปร และตัวแปรอิสระ ถ้าความสัมพันธ์เป็นเส้นตรงในธรรมชาติ มีตัวอย่างมากมายในสังคมวิทยาศาสตร์ที่ความสัมพันธ์เชิงเส้นเกิดขึ้น ( เช่นความวิตกกังวล ) , มันเป็นสิ่งจำเป็นเพื่อตรวจสอบค่าจากการวิเคราะห์ .ถ้าความสัมพันธ์ระหว่างอิสระตัวแปร ( IV ) และตัวแปรตาม ( DV ) ไม่มีเชิงเส้น ผลของการวิเคราะห์การถดถอยจะภายใต้ประมาณการความสัมพันธ์ที่แท้จริง ประเมินค่าต่ำกว่านี้ถือสองความเสี่ยง : เพิ่มโอกาสของชนิดที่ ๒ที่ IV , และในกรณีของหลาย ๆการถดถอย , มีความเสี่ยงที่เพิ่มขึ้นของประเภทข้อผิดพลาด ( ประเมินมากเกินไป )สำหรับอื่น ๆ ที่แบ่งปันความโก้กับIV .ผู้เขียน pedhazur ( 1997 ) เช่น โคเฮน และโคเฮน ( 1983 ) , และ เบอร์รี่ และ เฟลด์แมน ( 2528 )แนะนำ 3 วิธีหลักในการตรวจสอบเชิงเส้น .วิธีแรกคือการใช้ทฤษฎี หรือก่อนหน้าการวิจัยเพื่อแจ้งข้อมูลปัจจุบัน อย่างไรก็ตามนักวิจัยก่อนที่หลายคนอาจมองข้ามความเป็นไปได้ของความสัมพันธ์เชิงเส้น วิธีนี้คือไม่ใช่ง่าย วิธีที่นิยมของการตรวจสอบคือการตกค้างของแปลง ( แปลงจากความคลาดเคลื่อนมาตรฐานเป็นฟังก์ชันมาตรฐานค่าพยากรณ์ที่พร้อมที่สุดในสถิติซอฟต์แวร์ ) รูปที่ 1 แสดง scatterplots ของความคลาดเคลื่อนที่แสดงความสัมพันธ์เชิงเส้นโค้งและเส้น .วิธีที่สามของการตรวจสอบ curvilinearity คือเป็นประจำวิ่งถดถอยพหุ ที่รวมกันส่วนประกอบ ( ยกกำลังสอง , ข้อตกลง ; ดู goldfeldแล้วควอนด์ต 1976 หรือถดถอยมากที่สุดข้อความรายละเอียดวิธีการทำนี้ ) หรือใช้เส้นการถดถอยหลายตัวเลือกที่มีอยู่ในทางสถิติแพคเกจ มันเป็นสิ่งสำคัญที่เส้นด้านความสัมพันธ์จะเป็นเพื่อที่ดีที่สุดศึกษาความสัมพันธ์ระหว่างตัวแปร