Variável média como dependente variável

Introdução a ARIMA: modelos não-sazonais: equação de previsão ARIMA (p, d, q): os modelos ARIMA são, na teoria, a classe mais geral de modelos para prever uma série de tempo que pode ser feita para ser 8220stação2008 por diferenciação (se necessário), talvez Em conjunto com transformações não-lineares, como log ou desinflando (se necessário). Uma variável aleatória que é uma série temporal é estacionária se suas propriedades estatísticas são todas constantes ao longo do tempo. Uma série estacionária não tem tendência, suas variações em torno de sua média têm uma amplitude constante, e ela muda de forma consistente. Isto é, seus padrões de tempo aleatório de curto prazo sempre parecem os mesmos em um sentido estatístico. A última condição significa que suas autocorrelações (correlações com seus próprios desvios anteriores da média) permanecem constantes ao longo do tempo, ou de forma equivalente, que seu espectro de potência permanece constante ao longo do tempo. Uma variável aleatória deste formulário pode ser visualizada (como de costume) como uma combinação de sinal e ruído, e o sinal (se um é aparente) pode ser um padrão de reversão média rápida ou lenta, ou oscilação sinusoidal, ou alternância rápida no signo , E também poderia ter um componente sazonal. Um modelo ARIMA pode ser visto como um 8220filter8221 que tenta separar o sinal do ruído, e o sinal é então extrapolado para o futuro para obter previsões. A equação de previsão ARIMA para uma série de tempo estacionária é uma equação linear (ou seja, regressão) em que os preditores consistem em atrasos da variável dependente ou atrasos dos erros de previsão. Isto é: valor previsto de Y uma constante ou uma soma ponderada de um ou mais valores recentes de Y e uma soma ponderada de um ou mais valores recentes dos erros. Se os preditores consistem apenas em valores atrasados ​​de Y. é um modelo autoregressivo puro (8220 self-regressed8221), que é apenas um caso especial de um modelo de regressão e que poderia ser equipado com um software de regressão padrão. Por exemplo, um modelo autoregressivo de primeira ordem (8220AR (1) 8221) para Y é um modelo de regressão simples no qual a variável independente é apenas Y rezagada por um período (LAG (Y, 1) em Statgraphics ou YLAG1 em RegressIt). Se alguns dos preditores são atrasos nos erros, um modelo ARIMA não é um modelo de regressão linear, porque não existe nenhuma maneira de especificar o erro 8222 do último erro82221 como uma variável independente: os erros devem ser computados numa base de período a período Quando o modelo é ajustado para os dados. Do ponto de vista técnico, o problema com o uso de erros atrasados ​​como preditores é que as previsões do modelo8217s não são funções lineares dos coeficientes. Mesmo que sejam funções lineares dos dados passados. Assim, os coeficientes nos modelos ARIMA que incluem erros atrasados ​​devem ser estimados por métodos de otimização não-linear (8220hill-climbing8221) ao invés de apenas resolver um sistema de equações. O acrônimo ARIMA significa Auto-Regressive Integrated Moving Average. Lags da série estacionada na equação de previsão são chamados quota de termos degressivos, os atrasos dos erros de previsão são chamados quotmoving termos de média, e uma série de tempo que precisa ser diferenciada para ser estacionada é uma versão quotintegratedquot de uma série estacionária. Modelos de caminhada aleatória e tendência aleatória, modelos autoregressivos e modelos de suavização exponencial são todos os casos especiais de modelos ARIMA. Um modelo ARIMA não-sazonal é classificado como um quot de quotARIMA (p, d, q), onde: p é o número de termos autorregressivos, d é o número de diferenças não-sazonais necessárias para a estacionaridade e q é o número de erros de previsão atrasados ​​em A equação de predição. A equação de previsão é construída da seguinte forma. Primeiro, digamos a d ª diferença de Y. o que significa: Observe que a segunda diferença de Y (o caso d2) não é a diferença de 2 períodos atrás. Em vez disso, é a primeira diferença de primeira diferença. Que é o análogo discreto de uma segunda derivada, isto é, a aceleração local da série em vez da sua tendência local. Em termos de y. A equação geral de previsão é: Aqui, os parâmetros de média móvel (9528217s) são definidos de modo que seus sinais são negativos na equação, seguindo a convenção introduzida por Box e Jenkins. Alguns autores e software (incluindo a linguagem de programação R) os definem para que eles tenham sinais de mais. Quando os números reais estão conectados à equação, não há ambigüidade, mas é importante saber qual a convenção que seu software usa quando você está lendo a saída. Muitas vezes, os parâmetros são indicados por AR (1), AR (2), 8230 e MA (1), MA (2), 8230 etc. Para identificar o modelo ARIMA apropriado para Y. você começa por determinar a ordem de diferenciação (D) necessidade de estacionar a série e remover as características brutas da sazonalidade, talvez em conjunto com uma transformação estabilizadora de variância, como o registro ou a desinflação. Se você parar neste ponto e prever que a série diferenciada é constante, você ajustou apenas uma caminhada aleatória ou modelo de tendência aleatória. No entanto, a série estacionada ainda pode ter erros autocorrelacionados, sugerindo que alguns números de AR (p 8805 1) e outros números de MA de número (q 8805 1) também são necessários na equação de previsão. O processo de determinação dos valores de p, d e q que são melhores para uma determinada série de tempo será discutido em seções posteriores das notas (cujos links estão no topo desta página), mas uma visualização de alguns tipos Os modelos ARIMA não-sazonais que são comumente encontrados são dados abaixo. Modelo autoregressivo de primeira ordem ARIMA (1,0,0): se a série estiver estacionada e autocorrelada, talvez ela possa ser predita como um múltiplo de seu próprio valor anterior, além de uma constante. A equação de previsão neste caso é 8230, que é regredida por si mesmo atrasada por um período. Este é um modelo 8220ARIMA (1,0,0) constante8221. Se a média de Y for zero, então o termo constante não seria incluído. Se o coeficiente de inclinação 981 1 for positivo e menor que 1 em magnitude (deve ser inferior a 1 em magnitude se Y estiver estacionário), o modelo descreve o comportamento de reversão média em que o valor do período 8217 seguinte deve ser previsto 981 1 vezes como Muito longe da média, já que esse valor do período é de $ 127. Se 981 1 for negativo, ele prevê um comportamento de reversão média com alternância de sinais, ou seja, ele também prevê que Y estará abaixo do período médio seguinte se estiver acima da média desse período. Em um modelo autoregressivo de segunda ordem (ARIMA (2,0,0)), haveria um termo Y t-2 também à direita e assim por diante. Dependendo dos sinais e das magnitudes dos coeficientes, um modelo ARIMA (2,0,0) pode descrever um sistema cuja reversão média ocorre de forma sinusoidalmente oscilante, como o movimento de uma massa em uma mola sujeita a choques aleatórios . ARIMA (0,1,0) caminhada aleatória: se a série Y não estiver estacionária, o modelo mais simples possível para ele é um modelo de caminhada aleatória, que pode ser considerado como um caso limitante de um modelo AR (1) no qual o autorregressivo O coeficiente é igual a 1, ou seja, uma série com reversão média infinitamente lenta. A equação de predição para este modelo pode ser escrita como: onde o termo constante é a mudança média do período para o período (ou seja, a derivação de longo prazo) em Y. Esse modelo poderia ser ajustado como um modelo de regressão sem intercepção em que o A primeira diferença de Y é a variável dependente. Uma vez que inclui (apenas) uma diferença não-sazonal e um termo constante, ela é classificada como um modelo quotARIMA (0,1,0) com constante. quot O modelo random-walk-without-drift seria um ARIMA (0,1, 0) modelo sem modelo ARADA constante (1,1,0) diferenciado do modelo autoregressivo de primeira ordem: se os erros de um modelo de caminhada aleatória forem autocorrelacionados, talvez o problema possa ser corrigido adicionando um atraso da variável dependente à equação de predição - - é Regressando a primeira diferença de Y em si mesma atrasada por um período. Isso produziria a seguinte equação de predição: que pode ser rearranjada para Este é um modelo autoregressivo de primeira ordem com uma ordem de diferenciação não-sazonal e um termo constante - ou seja. Um modelo ARIMA (1,1,0). ARIMA (0,1,1) sem alisamento exponencial simples constante: Outra estratégia para corrigir erros autocorrelacionados em um modelo de caminhada aleatória é sugerida pelo modelo de suavização exponencial simples. Lembre-se de que, para algumas séries temporais não estacionárias (por exemplo, que exibem flutuações ruidosas em torno de uma média variando lentamente), o modelo de caminhada aleatória não funciona, bem como uma média móvel de valores passados. Em outras palavras, ao invés de tomar a observação mais recente como a previsão da próxima observação, é melhor usar uma média das últimas observações para filtrar o ruído e, com mais precisão, estimar a média local. O modelo de suavização exponencial simples usa uma média móvel ponderada exponencialmente de valores passados ​​para alcançar esse efeito. A equação de predição para o modelo de suavização exponencial simples pode ser escrita em várias formas matematicamente equivalentes. Um dos quais é o chamado formulário 8220error correction8221, no qual a previsão anterior é ajustada na direção do erro que ele fez: porque e t-1 Y t-1 - 374 t-1 por definição, isso pode ser reescrito como : Que é uma equação de previsão ARIMA (0,1,1) sem constante constante com 952 1 1 - 945. Isso significa que você pode ajustar um alisamento exponencial simples especificando-o como um modelo ARIMA (0,1,1) sem Constante e o coeficiente estimado de MA (1) corresponde a 1-menos-alfa na fórmula SES. Lembre-se que, no modelo SES, a idade média dos dados nas previsões de 1 período anterior é de 1 945, o que significa que tenderão a atrasar as tendências ou os pontos de viragem em cerca de 1 945 períodos. Segue-se que a idade média dos dados nas previsões de 1 período de um ARIMA (0,1,1) - sem modelo constante é 1 (1 - 952 1). Assim, por exemplo, se 952 1 0.8, a idade média é 5. Como 952 1 aborda 1, o modelo ARIMA (0,1,1) sem modelo constante torna-se uma média móvel de muito longo prazo e, como 952 1 Aproxima-se de 0, torna-se um modelo de caminhada aleatória sem drift. O que é a melhor maneira de corrigir a autocorrelação: adicionar termos AR ou adicionar termos MA Nos dois modelos anteriores discutidos acima, o problema dos erros auto-correlacionados em um modelo de caminhada aleatória foi reparado de duas formas diferentes: adicionando um valor atrasado da série diferenciada Para a equação ou adicionando um valor atrasado do erro de previsão. Qual abordagem é melhor Uma regra de ouro para esta situação, que será discutida com mais detalhes mais adiante, é que a autocorrelação positiva geralmente é melhor tratada adicionando um termo AR ao modelo e a autocorrelação negativa geralmente é melhor tratada adicionando um Termo MA. Nas séries temporais de negócios e econômicas, a autocorrelação negativa surge frequentemente como um artefato de diferenciação. (Em geral, a diferenciação reduz a autocorrelação positiva e pode até causar uma mudança de autocorrelação positiva para negativa). Assim, o modelo ARIMA (0,1,1), no qual a diferenciação é acompanhada por um termo MA, é mais usado do que um Modelo ARIMA (1,1,0). ARIMA (0,1,1) com alisamento exponencial constante e constante: ao implementar o modelo SES como modelo ARIMA, você realmente ganha alguma flexibilidade. Em primeiro lugar, o coeficiente estimado de MA (1) pode ser negativo. Isso corresponde a um fator de alisamento maior do que 1 em um modelo SES, que geralmente não é permitido pelo procedimento de montagem do modelo SES. Em segundo lugar, você tem a opção de incluir um termo constante no modelo ARIMA, se desejar, para estimar uma tendência média não-zero. O modelo ARIMA (0,1,1) com constante tem a equação de previsão: as previsões de um período anteriores deste modelo são qualitativamente similares às do modelo SES, exceto que a trajetória das previsões de longo prazo é tipicamente uma Linha inclinada (cuja inclinação é igual a mu) em vez de uma linha horizontal. ARIMA (0,2,1) ou (0,2,2) sem alisamento exponencial linear constante: modelos de alisamento exponencial linear são modelos ARIMA que utilizam duas diferenças não-sazonais em conjunto com os termos MA. A segunda diferença de uma série Y não é simplesmente a diferença entre Y e ela mesma atrasada por dois períodos, mas é a primeira diferença da primeira diferença - isto é. A mudança de mudança de Y no período t. Assim, a segunda diferença de Y no período t é igual a (Y t - Y t-1) - (Y t-1 - Y t-2) Y t - 2Y t-1 Y t-2. Uma segunda diferença de uma função discreta é análoga a uma segunda derivada de uma função contínua: mede a quotaccelerationquot ou quotcurvaturequot na função em um determinado ponto no tempo. O modelo ARIMA (0,2,2) sem constante prediz que a segunda diferença da série é igual a uma função linear dos dois últimos erros de previsão: o que pode ser rearranjado como: onde 952 1 e 952 2 são o MA (1) e MA (2) coeficientes. Este é um modelo de suavização exponencial linear geral. Essencialmente o mesmo que o modelo Holt8217s, e o modelo Brown8217s é um caso especial. Ele usa médias móveis exponencialmente ponderadas para estimar um nível local e uma tendência local na série. As previsões de longo prazo deste modelo convergem para uma linha reta cuja inclinação depende da tendência média observada no final da série. ARIMA (1,1,2) sem alisamento exponencial linear constante de tendência amortecida. Este modelo está ilustrado nos slides que acompanham os modelos ARIMA. Ele extrapola a tendência local no final da série, mas acha-se em horizontes de previsão mais longos para introduzir uma nota de conservadorismo, uma prática que tem suporte empírico. Veja o artigo em quotPor que a Tendência Damped funciona por Gardner e McKenzie e o artigo de QuotGolden Rulequot de Armstrong et al. para detalhes. Em geral, é aconselhável manter os modelos em que pelo menos um de p e q não é maior do que 1, ou seja, não tente se ajustar a um modelo como o ARIMA (2,1,2), pois isso provavelmente levará a uma superposição E quotcommon-factorquot questões que são discutidas em mais detalhes nas notas sobre a estrutura matemática dos modelos ARIMA. Implementação da planilha: os modelos ARIMA, como os descritos acima, são fáceis de implementar em uma planilha eletrônica. A equação de predição é simplesmente uma equação linear que se refere a valores passados ​​de séries temporais originais e valores passados ​​dos erros. Assim, você pode configurar uma planilha de previsão ARIMA armazenando os dados na coluna A, a fórmula de previsão na coluna B e os erros (dados menos previsões) na coluna C. A fórmula de previsão em uma célula típica na coluna B seria simplesmente Uma expressão linear que se refere a valores nas linhas precedentes das colunas A e C, multiplicadas pelos coeficientes apropriados de AR ou MA armazenados nas células em outro lugar na planilha. Variáveis ​​independentes e variáveis ​​dependentes Mensagem enviada para EDSTAT-LLISTES. PSU. EDU e sci. stat. edu em 6142004 11:16 PM Os pesquisadores freqüentemente usam os termos variável e variável dependente da variável dependente quando descrevem as variáveis ​​estudadas em suas pesquisas. Eu sou de opinião que esses termos são freqüentemente usados ​​de forma inadequada. Estou muito interessado em aprender como você define esses termos para os alunos das suas aulas. Por favor responda fora da lista para wuenschkECU. edu. Devo publicar na lista um resumo das respostas recebidas. Muito obrigado. Karl L. Wuensch, Departamento de Psicologia, East Carolina University, Greenville NC 27858-4353 Voz: 252-328-4102 Fax: 252-328-6283 WuenschKECU. edu core. ecu. edupsycwuenschkklw. htm Aqui estão meus próprios pensamentos sobre este assunto . Ao longo dos anos, fiquei cada vez mais desconfortável com a maneira como muitas pessoas usam os termos variável independente e variável dependente. Agora acredito que esses termos devem ser usados ​​apenas quando se refere a pesquisa experimental, ou seja, pesquisa onde a (s) variável (s) independente (s) são (são) manipuladas e a (s) variável (s) dependente (s) é (são) passivamente observada. Os pesquisadores geralmente associam o termo variável independente com causa e variável dependente com efeito. Usando os termos variável independente e variável dependente com dados não recobertos de forma exagerada, os pesquisadores podem fazer atribuições causais quando não deveriam. Deixe-me dar um exemplo. Há vários anos, eu estava ajudando um aluno de doutorado com sua dissertação. Ele estava investigando os correlatos de uma única variável de resultado que foi tratada como contínua. Entre as suas variáveis ​​preditoras estavam diversas variáveis ​​categóricas. Todas as variáveis ​​foram derivadas de itens em uma pesquisa dada aos alunos do estado da Flórida. Nenhuma variável foi manipulada. Eu codifiquei as variáveis ​​categóricas e as atirei, juntamente com alguns preditores contínuos, em uma regressão múltipla. Mais ou menos uma semana depois de enviar os resultados ao aluno de doutorado, ele escreveu de volta e me disse que o diretor de dissertação queria que os preditores categóricos fossem analisados ​​pela ANOVA, não por regressão múltipla (como se houvesse diferença). Por que, perguntei. Bem, acredite ou não, a resposta que recebi foi que, se fizéssemos a análise como ANOVA, esses preditores seriam variáveis ​​independentes e poderíamos concluir que elas CAUSAM mudanças na variável dependente. Você pode imaginar minha resposta. Acabei dizendo ao meu cliente que simplesmente alterasse a regressão múltipla de frase para ANOVA para tornar o diretor feliz. Este incidente é uma anomalia. Não tenho a menor tristeza, na minha experiência. Eu não posso contar o número de vezes que Ph. D. Os pesquisadores me disseram que, se analisarem seus dados com amostras independentes t (onde a variável de agrupamento é chamada de variável independente), os resultados significativos mostram que a variável independente causou alterações na variável dependente, mas que, se analisarem seus dados Com uma análise de correção de correlação, eles não podem interpretar uma associação significativa como evidência de causalidade - você sabe, essa correlação antiga não implica lutas de causalidade (ver core. ecu. edupsycwuenschkStatHelpCorrelation-Causation. htm). Em poucas ocasiões, demonstrei que tais amostras independentes de amostras individuais são t equivalentes ao t usado para testar o significado do ponto r bissexual. Suas mandíbulas realmente caíram. Claro que mostro aos meus alunos que a ANOVA é apenas uma regressão múltipla codificada falsa. Agora eu aconselho meus alunos que outros tendem a usar o termo variável independente com variáveis ​​que são manipuladas em vez de observadas, ou são conhecidas, em vez de previstas, ou são medidas mais cedo, em vez de mais tarde (se prevemos as notas do ensino médio de notas da faculdade, o que Variável é independente), ou são categóricas em vez de contínuas, ou são pensadas como causas e não como efeitos. Explico que o uso dos termos variável independente e variável dependente na pesquisa não experimental pode causar confusão, mas confesso em fazê-lo sozinho (mas estou tentando parar esse mau hábito). Eu sugiro termos alternativos, como variável preditor, fator, (em ANOVA, mas a Associação Americana de Psicologia não gosta desse uso), variável de agrupamento, variável de classificação, variável de critério, variável de resultado e variável de resposta. Aqui estão os pontos-chave (na minha mente) feitos pelos inquiridos na minha consulta: use os termos variável independente e variável dependente apenas com pesquisa experimental. Com a pesquisa não experimental, use a variável preditor e a variável critério. As variáveis ​​independentes precedem temporariamente as variáveis ​​dependentes. A variável independente é a que você pensa como causal, a variável dependente é a que você acha que está sendo afetada pela variável independente. É útil distinguir entre variáveis ​​independentes manipuladas e variáveis ​​independentes medidas. Em algum momento da classe, pode ser útil retirar todos os vários termos usados ​​para descrever variáveis ​​de pesquisa (como variável independente, variável explicativa, preditor, regressor, covariável, variável concomitante, variável de incômodo, variável de controle, variável dependente , Variável de resposta, critério, etc.) e discuta-os. A maneira como os termos variável independente e variável dependente são usados ​​nos dias de hoje provoca muita confusão e algum mal. É pouco provável que seja extremamente útil ajudar com um amplo vocabulário. Mesmo os mais experientes psicólogos experimentais do que, de fato, garantem uma inferência causal são tão ingênuos e desatualizados que não valem a pena defender tão vigorosamente. Aqui estão as respostas que recebi, não editadas, exceto pelo meu uso de fonte em negrito. Não tenho certeza do que você está procurando por uma definição incorreta de IVs e DVs, mas heres o que eu digo: em meus cursos de stats de introdução, começo com uma discussão de tipos de pesquisa como o contexto em que as estatísticas são usadas. Eu uso nomes diferentes para variáveis ​​na pesquisa observacional versus variáveis ​​em experimentos verdadeiros. Eu lhes digo que experimentos verdadeiros (ou exemplos de citação, de modo que eles não pensam ter uma diferença) são caracterizados por atribuição aleatória de participantes a grupos e manipulação de experiências de diferentes grupos. Eu lhes digo que a variável manipulada é uma variável independente. E eu dou-lhes um mnemônico por lembrar seu nome: o IV vem primeiro no tempo, por isso é independente dos resultados do estudo. Neste tipo de pesquisa, a variável de resultado é a variável dependente. O que vem em segundo lugar no tempo e depende do que as pessoas experimentaram. Então eu falo sobre a pesquisa observacional como o outro fim de um espectro, e eu digo que esse tipo de pesquisa é caracterizada por não ser uma experiência. Falta aleatorização e manipulação. Então eu digo-lhes Im na minoria nos nomes que eu uso para variáveis ​​na pesquisa observacional. Aquele que vem primeiro no tempo é uma variável preditor. Muitas vezes é uma variável de agrupamento como uma IV. Mas quando há grupos, geralmente eles estão ocorrendo naturalmente - machos versus fêmeas, alcoólatras versus não-alcoólicos, etc. Eu lhes digo que a variável de resultado é a variável critério - análoga à DV, é a segunda vez. Eu também dou ao mnemônico que a ordem das variáveis ​​não é alfabética: IV antes da DV, PV antes do CV. Assim, um PV pode não ser uma variável de agrupamento, pode ser uma pontuação como o peso do nascimento dos bebês humanos, que pode prever problemas de desenvolvimento. Então eu explico que, embora muitos artigos de revistas não façam as distinções que eu faço em nomes de variáveis, meu mentor da Universidade de Oklahoma (Larry Toothaker) e eu compartilharam cerca de 38 anos de experiência em estatísticas de ensino, e achamos que isso ajuda os alunos a aprender o Diferença entre tipos de estudos de pesquisa. Lise DeShea ldesh2uky. edu Geralmente, em uma experiência e estudo de regressão. IV é a variável que você acha que causa. Ou é o precursor do DV. O que você acha que é o resultado. Experiência: IV pode ser o método de instrução. O experimentador manipula isso. O DV pode ser pontuação em uma prova. O resultado (supostamente) devido à Regressão IV: IV pode ser nota de HS. Que você acha que tem um impacto nas notas do DV ou da faculdade. (Geralmente, IV vem à frente do DV) A regressão pode ser um pouco ambígua. Se você usa Altura para estimar o Peso. É H o IV. Não é tão certo, pois o inverso é tão lógico e AMBOS são co-contíguos no tempo. A menos que H tenha sido escolhido aos 5 anos e W tomado aos 10 anos. O melhor que posso fazer às 8:30 da manhã. Mais tarde, Dennis acrescentou que ele não acreditava que ser mais cuidadoso com o uso dos termos variável quotindependente e quotdependente variável ajudaria os leitores a lembrar se a pesquisa era experimental ou não. Eu uso o termo quotindependente variável quot para indicar uma variável que eu posso manipular . Ou uma variável que terá algum efeito sobre a variável quotpendente. Tanguma, Jesus TANGUMAJCOBA. PANAM. EDU Eu digo aos alunos que as variáveis ​​dependentes são as variáveis ​​medidas que são tabuladas, em média e assim por diante. Toda questão de pesquisa tem pelo menos uma variável dependente. As variáveis ​​independentes são a base de uma comparação entre grupos, condições, etc., definindo as diferenças entre os grupos ou condições em torno dos quais a comparação é feita. Nem todas as questões de pesquisa possuem uma variável independente. Eu distingo ainda mais entre quotmanipulated independent variablesquot e quotmeassured independent variablesquot. Com os significados óbvios. Pergunta de pesquisa: Qual é a renda média dos CEOs das empresas Fortune 500 Variável dependente: renda. Variável independente: Nenhuma. Pergunta de pesquisa: qual porcentagem de CEOs da Fortune 500 são masculinos Variável dependente: gênero. Variável independente: Nenhuma. Questão de pesquisa: os CEOs Fortune 500 do sexo masculino ou feminino ganham mais dinheiro Variável dependente: renda. Variável independente: gênero. (Medido) Pergunta de pesquisa: um certo curso de treinamento de assertividade ajuda os CEOs da Fortune 500 a ganhar mais dinheiro Variável dependente: Renda. Variável independente: Curso de treinamento versus controle sem treinamento. (Manipulado) (Discussão de atribuição aleatória versus auto-seleção, etc.). Espero que ajude, Professor Jeff Miller Departamento de Psicologia Dunedin, Nova Zelândia Minha abordagem é descritiva em vez de prescritiva. Prefiro obter todos os termos na tabela - variável independente, variável explicativa, preditor, regressor, covariável, variável concomitante, variável de incômodo, variável de controle, variável dependente, variável de resposta, critério, etc. - e depois discutir as semelhanças e Diferenças de significados para diferentes pessoas. Ray Koopman koopmansfu. ca Eu gosto de resposta e explicativa. Edward J. Gilroy, PhD egilroydiac 13453 W. Oregon Ct. Telefone: 303-986-4944 Lakewood, CO 80228 FAX: 413-702-4639 Meu entendimento é que as pessoas estão se afastando dessa terminologia em favor da resposta mais clara: preditor. Software de estatísticas dinâmicas Fathom Ensino muito tradicionalmente no início-- variáveis ​​manipuladas versus variáveis ​​medidas, etc. Mas fica mais complicado quando chegamos à regressão. Lá eu tenho que falar sobre previsão e preditores. E então, quando o modelo linear vem junto (perto do final de um curso de um semestre, então vemos que os dois são fundamentalmente a mesma coisa. Bom tópico. Aguardo os resultados. Richard S. Lehman e-mail: richard. lehmanfandm. Edu Emérito Professor de Psicologia Franklin amp Marshall College Lancaster, PA, 17604-3003 Não tenho certeza de quotdependentquot e quotindependentquot são os melhores adjetivos. Em alguns casos, eles são totalmente enganadores. Por exemplo, quando as variáveis ​​quotindependentquot não são realmente mutuamente independentes. Por que não Observe uma série de outras expressões para os mesmos conceitos. Por exemplo, nas redes neurais, as variáveis ​​de entrada e saída, que ilustram o fluxo de informações dentro e fora do modelo. Nas redes de crenças, as variáveis ​​citação e consulta variam Papel de variáveis ​​particulares na inferência, enquanto elas não podem ser verdadeiramente distinguidas na modelagem: antes de se colocar a questão, todas as variáveis ​​são as mesmas. A grande variedade de termos Listado é realmente um glossário e padronização. Ou seja, parece haver vários significados, e não apenas dois. Eu também argumento que o significado de dependente e independente é tão raramente aplicável (exceto como uma suposição) que ele deve ser eliminado. Laboratório de Inteligência Artificial, Faculdade de Informática e Ciência da Informação, Universidade de Ljubljana. Procurei evitar o uso sempre que possível. Os livros didáticos geralmente não permitem evitar o problema, mas pode-se controlar o uso próprio do idioma. Geralmente, eu tentei referir-se a quotpredictorquot ou quotdesign variablequot ou quotdesign factorquot mais ou menos intercambiáveis ​​(embora o quotdesign factorq seja mais aplicável aos projetos de ANOVA formais do que a regressão múltipla ou contextos GLM) e quotresponse variablequot (ou quotresponse surfacequot quando há vários) ou Quotoutcomequot ou talvez quotobserved variablequot, também mais ou menos intercambiáveis. Minha visão de quotindependentquot e quotdependentquot como adjetivos neste contexto é que dificilmente poderia escolher um par mais capaz de gerar erro e mal-entendido, se alguém tentasse deliberadamente ofuscar. Eventualmente, eu fiquei cansado de ter que explicar por que se usa quotindependentquot para descrever um conjunto de variáveis ​​que geralmente não são independentes (pelo menos não no sentido de quotindependente de cada outro), exceto no contexto artificial de experimentos fatoriais balanceados e projetados. Se o livro segue esse uso, um bem bem deve pagar algum serviço de lábios (e, portanto, passar por tal explicação uma vez), mas não é necessário se inscrever para essa rotulagem além desse reconhecimento. A variável independente é plotada no eixo horizontal e a variável dependente é plotada no eixo vertical, é o que eu digo aos meus alunos. Para as estatísticas adiciono variável explicativa variable independente e variável dependente da resposta variável. Isso é no nível da faculdade comunitária. Stan Brown, Oak Road Systems, Condado de Cortland, Nova York, EUA. Posteriormente, postei a mesma consulta sobre o ensino das ciências psicológicas. Aqui estão as respostas que recebi dos membros desse grupo. Em um experimento, a variável independente é a variável que é controlada (variada) pelo experimentador e a variável dependente é a variável que medimos para determinar se a manipulação da variável independente tem efeito. Dr. Bob Wildlbood Universidade de Indiana Kokomo rwildbloiuk. edu Sim, eu concordo que estes são muitas vezes mal utilizados, e eu me importo com todos os possíveis usos legítimos e ilegítimos. É assim que eu tento explicá-lo aos alunos: basicamente IV é reservado para um experimento - algumas variáveis ​​podem variar enquanto todos os outros são de alguma forma mantidos constantes ou equiparados. Esse é o IV e deve ter níveis. DV é usado mais amplamente, mas é sempre uma variável medida, algo que vai ter algum tipo de unidades anexadas. Pode ser o resultado de um experimento e esse é o uso preferido, apenas para evitar que as coisas se tornem confusas. Mas também é freqüentemente usado para se referir a qualquer variável medida, portanto, seria aplicável para correlações - embora eu falem sobre a variável 1 e a variável 2 nesse caso, sem entrar no conceito DV inteiro porque, para uma correlação, é mais provável que Tem variáveis ​​fofas e, então, é incômodo ter falado sobre essas como DV. Annette Kujawski Taylor, Ph. D. Departamento de Psicologia Universidade de São Diego taylorsandiego. edu 1. Estritamente falando, eu defino o termo variável independente para significar a variável que é manipulada em uma experiência verdadeira. Além disso, eu gosto de equacionar quotfactorquot para variável independente. 2. Consequentemente, a variável dependente é a resposta que pode variar em função da variável independente. 3. No entanto, ensino que, se o estudo é um quase experimento em que uma variável é manipulada, mas não acompanhada pelo controle de variáveis ​​estranhas (por exemplo, dois grupos intactos com diferentes tratamentos), então podemos chamar a variável manipulada independente. 4. Uma implicação disso é que um estudo que consiste apenas em variáveis ​​de assunto não é uma experiência quase, mas é um estudo ex post facto. 5. Não gosto de usar os termos variáveis ​​independentes e dependentes para pesquisas não experimentais. Neste tipo de pesquisa, as variáveis ​​do lado de quotinput podem ser ex post facto ou uma característica pessoal do sujeito (variável sujeita). Idealmente, este termo deve ser usado para descrevê-los. A resposta da pessoa pode ser chamada de variável de resposta. 6. Em um estudo correlacional, um Pearson r pode ser calculado entre, digamos, QI medido e tempo de reação. Sugiro que o QI medido seja chamado de uma variável de preditores e o tempo de reação seja uma variável prevista. 7. Às vezes, também é apropriado chamar variáveis ​​de variáveis ​​de variáveis ​​de assunto. Stuart J. McKelvie, Ph. D. Presidente do Departamento de Psicologia da Universidade Episcopal smckelviubishops. ca Alguns psicólogos argumentaram que não é apropriado usar DV e IV, a menos que o resercher tenha um controle experimental sobre o IV (isto é, manipula diretamente). Esses psicólogos tendem a se irritar quando os termos são usados ​​em situações correlacionais ou qua-experimentais. Imagino que este é o tipo de quotmiusequot que você está falando. Na verdade, esse uso limitado é muito bem restrito à psicologia. Em matemática, IV e DV são usados ​​amplamente para muito bem qualquer X e Y. Na maioria das vezes, o caráter das variáveis ​​não é especificado, muito menos, se há controle citostático, uma relação quotcausal entre eles e outros. Apenas um outro caso de psicólogos ficando excessivo sobre o caráter citológico de suas quotesciências. quot :-) Atenciosamente, - Christopher D. Green Departamento de Psicologia York University e-mail: christoyorku. ca Karl L. Wuensch escreveu: Obrigado por seus comentários. Como você verá mais tarde, fico irritado quando os psicólogos se referem a uma variável de classificação como uma variável independente na pesquisa não experimental e, em seguida, argumentam que, por terem uma variável independente (causa) e uma variável dependente (efeito), elas podem fazer atribuições causais firmes. Ou seja, sem dúvida, uma coisa ruim a fazer. Eu não sei que ser incrivel sobre o mero vocabulário pode resolver o problema no entanto. De qualquer forma, até mesmo as visões experimentais mais exigentes dos psicólogos experimentais sobre o que, de fato, justificam a inferência causal são tão ingênuas e desatualizadas que não valem a pena ser tão desafiantes. Hume e Mill não são a última palavra na teoria da causação. -) Wuensch, Karl L escreveu: Eu sempre adotei uma abordagem muito sensível ao causalismo - se eu costumo fazer mudanças Y manipulando X, estou confortável em se referir a X como uma causa de Y, mesmo que existam outros eventos que Pode alterar Y, mesmo que a correlação entre X e Y não seja perfeita, e mesmo se X provavelmente funcionar com Y através de uma série de variáveis ​​intervenientes. Eu também prefiro lidar com variáveis ​​observadas e não latentes. Eu não sei que essa visão é um senso comum, mas é certamente perto da posição Humean que a psicologia adotou no início do século XX (exceto que sua versão é feita virtualmente circular pelo uso do termo quotmakequot na definição). Hume simplesmente disse correlação direcional. Há tantos contra-exemplos famosos que estavam bastante seguros de que também é inadeqaute (por exemplo, o dia é confiável antes da noite, mas o dia não faz a noite, como Thomas Reid apontou no século 18). Se você estiver interessado em algum trabalho que tenha sido feito por causa no século intermediário, há uma boa coleção editada por Ernest Sosa e Michael Tooley intitulado simplesmente Causation (Oxford, 1993). Saudações, Christopher D. Green Talvez eu devesse ter dito o significado do quitação do quinto termo, ao invés do senso quotcommon significado de quotcause. quot O que eu tenho em mente é essencialmente Colllingwoods (Um ensaio sobre a metafísica. Oxford, Clarendon, 1940, p.228) Segundo significado de quotcause, ou seja, o que é causado é um evento na natureza, e sua causa é um evento ou estado das coisas, produzindo ou impedindo o que podemos produzir ou impedir que a causa seja dito ser. quot Como Um exemplo, Collingwood usou o deslocamento de um interruptor de luz (X) e a mudança resultante na iluminação (Y). Eu sei, a partir da experiência cotidiana, que o deslocamento do interruptor da luz será seguido, geralmente, por uma mudança de iluminação, e o estado do interruptor da luz é algo que eu posso manipular. Estou bastante à vontade dizendo que o deslocamento do interruptor causa uma mudança no nível de iluminação - é claro, se você me pressionasse, eu reconheceria que o relacionamento não é perfeito (se a energia estiver fora ou o canal quebrado ou as lâmpadas quebradas , Manipular X não influenciará Y) e que são outras causas de Y (manipulação das persianas, por exemplo). Quanto à relação entre dia e noite, bem, não posso manipular nenhum deles. -) Voltar à página de Ajuda estatal Esta página foi revisada recentemente em 28 de janeiro de 2007.