@whuber udzielił tutaj naprawdę doskonałej odpowiedzi. Chcę tylko dodać mały punkt uzupełniający. Pytanie stwierdza, że „liniowej relacji predyktora i danych nie można interpretować”. Wskazuje to na powszechne nieporozumienie, chociaż zwykle słyszę to na drugim końcu („jaka jest interpretacja kwadratu [sześcienny itp.]?”).
Kiedy mamy model z wieloma różnymi zmiennymi towarzyszącymi, każdy beta [termin] może ogólnie mieć własną interpretację. Na przykład, jeśli:
GPAˆc o l l e gmi= β0+ β1GPAh i gh s c h o o l+ β2)ranga klasy + β3)SAT ,
(GPA oznacza średnią punktową oceny;
ranga to porządek GPA studenta względem innych uczniów tego samego liceum; &
SAT oznacza „scholastyczny test umiejętności” standardowy, ogólnokrajowy test dla studentów wyjeżdżających na uniwersytet)
następnie możemy przypisać osobne interpretacje do każdej wersji beta / semestru. Na przykład, jeśli wysoki GPA szkolnych uczeń były 1 punkt wyżej - wszystkie pozostałe były równe - spodziewamy się ich kolegium GPA być punktów wyższy. β1
Należy jednak pamiętać, że taka interpretacja modelu nie zawsze jest dopuszczalna. Jednym oczywistym przypadkiem jest interakcja między niektórymi zmiennymi, ponieważ nie byłoby możliwe, aby poszczególne terminy różniły się i nadal utrzymywały się na stałym poziomie - z konieczności zmieniłby się również termin interakcji. Tak więc, gdy zachodzi interakcja, nie interpretujemy głównych efektów, a jedynie proste efekty , co jest dobrze zrozumiane.
Sytuacja w kategoriach władzy jest bezpośrednio analogiczna, ale niestety nie wydaje się być szeroko rozumiana. Rozważmy następujący
(w tym przypadku, x , jest przeznaczony do reprezentowania prototypowego ciągły kowariancji), nie jest możliwe x zmianie bez x 2 zmiany także i nawzajem. Mówiąc najprościej, gdy w modelu występują terminy wielomianowe, różne terminy oparte na tej samej współzmiennej leżącej u podstaw nie są osobno interpretowane. X 2 ( x
y^= β0+ β1x + β2)x2)
xxx2)x2)x, itd.) termin nie ma żadnego niezależnego znaczenia. x17 Fakt, że wielomian
potęgowy jest w modelu „znaczący”, wskazuje, że w funkcji odnoszącej się do
x i
y występują „zagięcia”
p - 1 . Niefortunne, ale nieuniknione jest to, że gdy pojawia się krzywizna, interpretacja staje się bardziej skomplikowana i być może mniej intuicyjna. Aby ocenić zmianę
y jako
x zmian, będziemy musieli korzystać z rachunku. Pochodną powyższego modelu jest:
d ypp - 1xyy^x
czyli chwilowa szybkość zmian wartości oczekiwanej
Yjako
xzmian, wszystkie pozostałe elementy są takie same. To nie jest tak czyste, jak interpretacja bardzo topowego modelu; co ważne, chwilowe tempo zmian
yzależy od poziomux,od którego ocenia się zmianę. Ponadto szybkość zmian w
yjest szybkością chwilową; to znaczy, że sama zmienia się w sposób ciągły w przedziale od
xolddo
xnewreyrex= β1+ 2 β2)x
yxy xyxo l dxn e w. Taka jest po prostu natura krzywoliniowej relacji.