对目标变量进行对数转换后如何解释线性回归的结果？

Posted 2023-03-12

【中文标题】对目标变量进行对数转换后如何解释线性回归的结果？

【英文标题】：How to interpret results of Linear Regression after log-transforming the target variable?

【发布时间】：2021-06-11 20:48:12

【问题描述】：

我在 Python 中构建了 Liear 回归模型，并且我有目标变量，例如 Sales：10、9、8。 我决定记录我的目标变量：df["Sales"] = np.log(df["Sales"])所以之后我有了 np 3、2、1 的值。

我的问题是如何解释这个模型的结果，因为我知道我的目标是 log ？因为目前我有解释，例如：如果夜间销售平均减少 1.333，但它可能是不好的解释，因为如果没有目标日志，我肯定会导致更高的量化，例如如果夜间销售平均减少 2 589。

那么我如何在目标日志之后解释线性回归的结果？因为日志目标的值真的很低？

【问题讨论】：

我在这里没有看到编程问题，所以 SO 可能不是问这个问题的最佳地方。您可能想看看一本介绍性的计量经济学书籍，以了解在什么情况下对数转换有意义以及如何解释它。

我投票结束这个问题，因为它与 help center 中定义的编程无关，而是关于 ML 理论和/或方法 - 请参阅 machine-learning @ 中的介绍和注意事项987654322@.

【参考方案1】：

您的转换称为“对数级”回归。也就是说，您的目标变量已经过对数转换，而您的自变量则保持正常比例。

模型应如下解释：

平均而言，X_i 的微小变化将导致 100 * B_i 百分比的变化。

请注意，如果您转换了任何自变量，解释也会发生变化。例如，如果您将 X_i 更改为 np.log(df['X_i]), then you would interpret B_i` 作为对数转换。

您可以找到一个方便的备忘单来帮助您记住如何解释模型here。