Une utilisation typique d`une variable de transformation logarithmique consiste à extraire les données périphériques d`une distribution faussé positivement plus près de la majeure partie des données dans une quête pour que la variable soit normalement distribuée. Dans l`analyse de régression, les logs de variables sont systématiquement pris, pas nécessairement pour obtenir une distribution normale des prédicteurs et/ou la variable dépendante, mais pour l`interprétabilité. L`interprétation standard des coefficients dans une analyse de régression est qu`une modification d`une unité dans la variable indépendante entraîne le changement du coefficient de régression respectif dans la valeur attendue de la variable dépendante alors que tous les prédicteurs sont conservés Constante. Interpréter une variable transformée en log peut être fait de telle manière; Toutefois, ces coefficients sont couramment interprétés en termes de variation en pourcentage (Voir l`économie d`introduction: une approche moderne de Woolridge pour la discussion et la dérivation). Tout au long de cette page, nous allons explorer l`interprétation dans un paramètre de régression linéaire simple avec la variable dépendante, variable indépendante, ou les deux variables sont log-transformées. Nous utiliserons les données au niveau hospitalier de l`étude sur l`efficacité du contrôle des infections nosocomiales (les données proviennent des modèles de régression linéaire appliquée 5ème édition) où nous explorerons la relation entre la durée moyenne du séjour (en jours) pour tous les patients de la l`hôpital (durée) et le nombre quotidien moyen de patients hospitalisés (recensement). Le focus de cette page est l`interprétation du modèle, pas la logistique modèle. Très souvent, une relation linéaire est hypothétisée entre une variable de résultat transformée en log et un groupe de variables prédictitrices. Écrit mathématiquement, la relation suit l`équation en se connectant plutôt que dégonfler, vous évitez la nécessité d`incorporer une prévision explicite de l`inflation future dans le modèle: vous simplement l`inflation forfaitaire ainsi que toutes les autres sources de composés stables la croissance des données originales. La journalisation des données avant le montage d`un modèle de marche aléatoire donne une marche dite géométrique aléatoire, c`est-à-dire une marche aléatoire avec une croissance géométrique plutôt que linéaire.

Une marche aléatoire géométrique est le modèle de prévision par défaut qui est couramment utilisé pour les données de prix boursiers. (Retour en haut de la page.) Changement de log naturel ≈ variation en pourcentage: le logarithme naturel et son numéro de base e ont des propriétés magiques, dont vous vous souvenez peut-être du calcul (et que vous avez peut-être espéré ne jamais rencontrer). Par exemple, la fonction eX est son propre dérivé, et la dérivée de LN (X) est 1/X.