知识交换:研究/指标

你好布莱恩,

你的模型看起来很好(有了可用的信息)，但让我们来解释相关的数字:
1)系数估计为负!所以你确实发现了x和y之间的负关系，与你的目测数据一致
2)该系数估计与zeor有显著差异，因此您拒绝无影响的null是正确的
3)整个模型的f值是显著的，所以你的模型确实帮助你解释因变量
4) r平方是否过低?这取决于你的观点。在市场营销学术界，消费者行为研究人员通常得到的r平方小于0.10(如果他们报告:-))，而像我这样的定量研究人员得到的r平方超过0.80。主要原因是量化研究人员通常有更多变量的数据(如公司和竞争对手的价格等)，因此可以解释更多的销售差异，比模型只有城市市场的平均演示和心理统计。顺便说一下，通过加入Y(t-1)可以很容易地增加时间序列模型中的r平方，例如过去的销售。你的模型现在一定更好吗?

总之，我不认为你的模型是垃圾。较低的r平方确实表明，为了更好地解释(和预测)销售，添加更多自变量是一个好主意。同时，检查您的数据是否远离正态分布，在这种情况下，转换可能帮助您得到一个接近正态分布。你暗示说单位的上限是5，这让我认为其他变量也有这样的上限。

布莱恩,

让我问一个问题-什么类型的变量是因变量?它是序数的还是连续的?我问，因为如果数据是有序的，OLS回归可能不是最好的分析方法。

基于数据是连续的，并且代表了一些“销售”指标，我从未见过在这种类型的模型中r平方值如此之低。至少，如果你是在一个商业环境(而不是学术环境)中解释这一点，你将面临一些挑战来解释你在这里所做的事情的有效性。无论对错，很少有人会本能地对你的结果感到满意。

至少，r平方值应该告诉你，还有许多更重要的因素可以用来解释性能。
约翰

你好布莱恩,

有办法查看你的数据吗?例如，你能在这里发布~10个数据点吗?为了保护你的数据，你可以缩放它们。我只对你说的视觉印象感兴趣。

相反的结果可能会出现，例如，当你试图将线性函数(y = mx + b)与反函数(y = p/x + q)进行拟合时，会出现非常奇怪的数值情况，通常会有较大的(残余)误差和较低的r值:两个函数都不能很好地拟合，至少在较宽的数据范围内是这样。它们可以在很短的范围内很好地适应。

这让我想到一个问题，你想要达到什么目的?你是否在寻找可能的最佳契合，即对发现的最佳描述?然后，你应该选择一个适合函数来展示你观察到的数据的重要属性(不要适合每一个峰值)。这可以是一个数据变换(y -> 1/y或x -> 1/x)，正如blanalytics所说，它可以是一个移位，一个多项式(最好是:不要)或其他函数。根据你的目的，你甚至可能认为糟糕的线性匹配仍然足够好。

这些是你必须从工程角度回答的基本问题。这是一种输入，一种你做出的决定。统计数据无法为你解答这个问题。-确定一个变量是一个重要的贡献者是另一回事。要做到这一点，一种方法是先将最突出的变量与数据拟合，然后逐步将残差与其他变量拟合。然而，这并不是最好的方法。

这给我带来了更多的研究视角。这是一个新的研究领域吗?然后你就只能像我上面描述的那样寻找最好的、貌似合理的适合。对于这个问题，你有(让我们夸张一点)“科学”的推理吗?例如，在物理学中，我们知道一些关于力和重力的知识，我们可以在测量中期待某种“规律”，例如，y = m * x^2，其中y是距离，x是时间，我们会尝试拟合一个好的m值(使用y = m * x^2 + n * x + o将是一个更谨慎的方法)。因此，将数据与预期进行比较是非常合理的。

换句话说:你能把你的直觉期望建立在一些被普遍接受的推理上，并把它表述成某种拟合方程吗?这将是改进的一个很好的起点。

我的其他问题是关于你的数据质量和你可能想做的未来预测的可靠性。如果您的数据不可靠，统计数据将在各种高错误消息中向您报告这一点。不管今天你的适合度有多好，当应用到不同的(数据)情况时，你怎么知道明天会有多好呢?(我可以告诉你通往这些结果的路径，但那是另一回事了。)

希望这有助于
迈克尔