home *** CD-ROM | disk | FTP | other *** search
/ NetNews Usenet Archive 1992 #27 / NN_1992_27.iso / spool / bit / listserv / statl / 2007 < prev    next >
Encoding:
Internet Message Format  |  1992-11-17  |  2.8 KB
  1. Path: sparky!uunet!stanford.edu!bu.edu!olivea!spool.mu.edu!uwm.edu!psuvax1!psuvm!auvm!UNCVM1.BITNET!WDAVIS
  2. From: WDAVIS@UNCVM1.BITNET (Walter Davis)
  3. Newsgroups: bit.listserv.stat-l
  4. Subject: Re: the meaning of transformations
  5. Message-ID: <STAT-L%92111718483609@VM1.MCGILL.CA>
  6. Date: 17 Nov 92 23:30:51 GMT
  7. Sender: "STATISTICAL CONSULTING" <STAT-L@MCGILL1.BITNET>
  8. Lines: 45
  9. Comments: Gated by NETNEWS@AUVM.AMERICAN.EDU
  10. In-Reply-To:  Message of Tue,
  11.               17 Nov 1992 15:55:45 +0000 from <BS_S467@NEPTUNE.KINGSTON.AC.UK>
  12.  
  13. On Tue, 17 Nov 1992 15:55:45 +0000 Stephen Gourlay said:
  14. >In the discussion of testing assumptions, someone mentioned transformations.
  15. >
  16. >I have always had a problem with these, namely, that whilst I know that my
  17. >data represented e.g. counts of something, I cannot figure out a
  18. >non-mathematical understanding of what transformed counts mean.  As a result
  19. >I am very reluctant to transform data just to 'make it fit'.
  20. >
  21.  
  22. I tend to agree with Stephen that transforming variables to the point
  23. of uninterpretability is generally not useful.  For example what would
  24. be the substantive interpretation of the effect of the arccosine of X
  25. on the eighth root of Y.  You may laugh, but I TA'd for a grad stats
  26. course in which for the final we gave them a mystery data set and
  27. one student actually tried an eighth root transformation (and,
  28. naturally, the variables actually came from a normal distribution,
  29. it was just a somewhat odd-looking sample).
  30.  
  31. There are some transformations with useful interpretations however.
  32. For example, log transformations allow for interpretation in terms
  33. of elasticity (or percentage changes).  If the model is of the form
  34. lnY=BlnX then a 1% change in X leads to an expected B% change in Y
  35. (lin-log and log-lin have variations of this interpretation).  Also
  36. odds or logit transformations of proportion variables have good
  37. substantive interpretations and often have 'better' distributions.
  38.  
  39. I'm not ruling out complex transformations, I'm simply trying to say
  40. that a simpler transformation (or none) which gives a nearly as good
  41. fit as a complex one is often preferable especially with regards to
  42. substantive interpretation.  If a complex transformation is needed,
  43. one means of interpretation is to pick a set of meaningful values
  44. for the variables (in their raw forms), work through all the
  45. transformations, then produce a predicted value.  Then change one of
  46. the variables one raw unit, reapply the transformations and see
  47. how large the shift in the dependent variable is.  In general you
  48. may want to pick more than one set of values at which to evaluate
  49. the effects.  This technique is fairly simple when your main
  50. interest is in the effects of a small set of variables.
  51.  
  52. hope this helps,
  53.  
  54. Walter Davis <WDAVIS@UNCVM1>
  55. Department of Sociology
  56. Institute for Research in Social Science
  57. UNC - Chapel Hill
  58.