Trabajando en un entorno de regresión lineal múltiple estoy intentando ajustar un modelo general a un conjunto de datos que consta de 7 predictores. Para ello, he ejecutado la función powertransform() y he recibido la imagen de salida. Tengo la impresión de que la función powertransform() sugiere una transformación para los predictores. Bajo una transformación de un solo parámetro la forma general cae en una transformación de caja-cox, ¿la forma que utiliza las lambdas sugeridas difiere de la de la transformación de caja-cox cuando se utiliza la función powertransform(), además, qué podemos concluir de la salida dada? Tenía la impresión de que, si los valores se acercaban lo suficiente a ciertos valores, se podían redondear hacia abajo o hacia arriba. 
Respuesta
¿Demasiados anuncios?
Mi experiencia con la transformación de Box-Cox, que en realidad he programado yo mismo en una hoja de cálculo, sugiere, en primer lugar, utilizar la potencia indicada (como 1,79), no sentirse obligado a redondear.
La razón principal de sugerir el redondeo es la posibilidad de explicar a los demás la razón de la transformación. Es mejor centrarse en el mejor ajuste del modelo y transformar a la inversa los intervalos de confianza cuando se haya hecho.
Se puede modificar la transformación para permitir que el adición de una constante a los datos, lo que, a veces, ayuda en el ejercicio de ajuste del modelo.
Además de mejorar la normalidad, parece que en la práctica también mejora la homogeneidad en la varianza de los residuos.
Este referencia educativa en línea puede ser de ayuda.
