如何改善对声誉对投票的影响的分析？

最近，我对声誉对投票的影响进行了一些分析（请参阅博客文章），随后我对可能更具启发性（或更合适）的分析和图表提出了一些问题。

所以有几个问题（可以随意回答任何人，而忽略其他人）：

1. 在当前的化身中，我并不是说要居中。我认为这样做是为了使散点图中出现负相关的错误外观，因为有更多的帖子发布到帖子数的较低端（您会在Jon Skeet面板中看到这种情况，仅在凡人用户中不会发生面板）。不以帖子的平均数为中心是否不合适（因为我的意思是以每位用户的平均分数为中心）？

2. 从图中可以明显看出，分数高度偏右（并且平均居中没有任何改变）。在拟合回归线时，我同时拟合了线性模型和使用Huber-White砂纸的模型，该模型存在误差（通过rlmMASS R软件包提供），并且对斜率估计没有任何影响。我是否应该考虑对数据进行转换而不是进行稳健的回归？注意，任何转换都必须考虑0和负分数的可能性。还是应该使用其他类型的模型代替OLS来计数数据？

3. 我相信一般而言，可以改进最后两个图形（并且也与改进的建模策略有关）。以我（厌倦的）观点，我怀疑声誉影响是否是真实的，它们会在海报的历史中很早就实现（我想如果是真的，这些可能会被重新考虑：“您给出了很好的答案，所以现在我将投票支持您所有的职位”而不是“以总分获得声誉”效果）。考虑到过度绘图，如何创建图形以证明这是否正确？我认为可能要证明这一点的一个好方法是适合表格的模型。

其中$Y$是score - (mean score per user)（与当前散点图相同），$X_1$是post number，并且$Z_1 \cdots Z_k$是表示某个任意范围的帖子编号的虚拟变量（例如，如果帖子编号为，则$Z_1$等于Z如果帖子号为etc，则等于2。β 0和ε分别为隆重截距和误差项。然后，我会观察一下估计γ11 through 25$Z_2$126 through 50$\beta_0$$\epsilon$$\gamma$确定是否在海报历史的早期（或以图形方式显示）声誉效应。这是合理（且适当）的方法吗？

像这样的散点图（例如黄土或样条线）适合使用某种类型的非参数平滑线，但是我对样条线的实验没有发现任何启发性的内容（在张贴者历史的早期，任何关于阳性效果的证据都是轻微而温和的）到我包含的样条线数量）。由于我有一个假设，即影响会在较早发生，因此我上面的建模方法是否比样条线更合理？

还要注意，尽管我已经疏通了所有这些数据，但是仍然有很多其他社区需要检查（还有一些类似的超级用户和serverfault可以借鉴类似的样本），因此在将来提出建议是很合理的我使用保留样本分析任何关系的分析。

这是一个勇敢的尝试，但是仅凭这些数据，就很难或不可能回答关于“声誉对投票的影响”的研究问题。问题在于将其他现象的影响分开，我列出了这些现象以及如何解决这些现象的简要说明。

• 学习效果。随着声誉的提高，经验的提高；随着经验的增长，我们希望一个人发布更好的问题和答案；随着他们质量的提高，我们希望每个帖子获得更多的选票。可以想象，分析中处理此问题的一种方法是识别在多个SE网站上活跃的人。在任何给定的站点上，其声誉的增长速度将比其经验值的增长慢得多，从而提供了一种使声誉和学习效果变差的方法。

• 上下文中的时间变化。 这些无数，但显而易见的包括

  • 选民人数随时间的变化，包括总体上升趋势，季节性趋势（通常与学术周期相关）和离群值（来自外部宣传，例如与特定话题的链接）。 在评估任何人的声誉趋势时，必须进行任何分析。

  • 随着时间的流逝，社区行为的变化。社区及其相互作用，发展和发展的方式。随着时间的流逝，他们可能倾向于或多或少地投票。 任何分析都必须评估这种影响并将其作为因素。

  • 时间本身。 随着时间的流逝，早期的帖子仍然可供搜索，并继续获得选票。因此，caeteris条件不变时，旧的帖子应该产生更多的选票比新的。（这是一个很大的影响：一些每月声誉排名一直很高的人全年都没有访问此站点！）这将掩盖甚至转化任何实际的正面声誉影响。 任何分析都需要考虑每个帖子在网站上出现的时间长度。

• 主题受欢迎。 一些标签（例如r）比其他标签更受欢迎。因此，一个人回答的问题种类的变化可能与时间变化（例如声誉效应）混为一谈。因此，任何分析都需要考虑所回答问题的性质。

• 视图 [添加为编辑内容]。出于各种原因（过滤器，链接等），不同数量的人查看问题。答案获得的投票数量可能与观看次数相关，尽管随着观看次数的增加，人们期望投票的比例会下降。（这取决于真正对这个问题真正感兴趣的人有多少，而不是原始数字。我自己的经验（轶事）是，我在许多问题上收到的赞成票中大约有一半是在前5-15个视图，尽管最终会对问题进行数百次查看。）因此，任何分析都需要考虑视图的数量，但可能不是线性方式。

• 测量困难。 “信誉”是指针对不同活动获得的票数总和：初始声誉，答案，问题，批准问题，编辑标签Wiki，减票和减票（按价值降序排列）。因为这些组件评估的是不同的事物，并且并非所有组件都在社区选民的控制之下，所以应将它们分开进行分析。“声誉效应”大概与对答案的答辩有关，也许与对问题的答谢有关，但不应影响其他声誉来源。 一定要减去初始声誉（但可以用作一些初始经验的代表）。

• 隐藏的因素。 可能还有许多其他无法衡量的混淆因素。例如，参加论坛有各种形式的“倦怠”。在最初的几周，几个月或几年的热情之后，人们会做什么？一些可能性包括关注罕见，不寻常或困难的问题；仅对未回答的问题提供答案；提供的答案较少，但质量较高；其中一些可能掩盖声誉效应，而另一些则可能会误与声誉混淆。 这些因素的代表可能是个人参与率的变化：它们可能预示着该人职位性质的变化。

• 亚社区现象。 仔细查看统计信息，即使在非常活跃的SE页面上，也显示出相对较少的人进行了大多数的回答和投票。仅有两个或三个人的集团对声誉的增长会产生深远的影响。该站点的内置监视器将检测到两个人的队列（此站点上存在一个这样的组），但是可能不会发现较大的队列。（我不是在谈论正式的勾结：人们甚至可以在不知情的情况下成为此类集团的成员。） 我们如何将明显的声誉效应与这些看不见的，未被发现的非正式集团的活动区分开？ 详细的投票数据可以用于诊断，但我认为我们无法访问这些数据。

• 资料有限。要检测声誉影响，您可能需要关注（至少）拥有数十至数百个帖子的个人。这使目前的人口数量减少到不足50个人。尽管存在很大的变异和混淆的可能性，但除非它们确实非常强大，否则它太小了以至于无法发挥出明显的作用。 解决方法是使用其他SE站点的记录来扩充数据集。

考虑到所有这些复杂性，应该清楚的是，博客文章中的探索性图形几乎没有机会揭示任何内容，除非它非常明显。一切突如其来：正如预期的那样，数据混乱且复杂。建议对图或已提出的分析进行改进为时过早：在解决了这些基本问题之前，增量更改和其他分析将无济于事。

计量经济学家在格兰杰因果关系的框架内研究了类似的问题。如果您有两个序列和Z t，则可以运行向量自回归模型，该模型以最简单的形式具有单个滞后，看起来像Y t = a 0 + a 1 Y t − 1 + a 2 Z t − 1 + ϵ t，Z t = b 0 + b 1 Y t − $Y_t$$Z_t$$Y_t = a_0 + a_1 Y_{t-1} + a_2 Z_{t-1} + \epsilon_t$。如果你看到说一个2是显著，那么你就可以宣称 ž（Granger-）导致 Ÿ：增加关于信息 ž提高你的模型的精度 ÿ。在这里，您的时间 t将是职位号，变量显然是声誉和分数。两者都是非平稳，所以与数据，如采取增量更严重的摆弄 Δ Ŷ 吨 = ý 吨 - ý 吨- 1代替$Z_t = b_0 + b_1 Y_{t-1} + b_2 Z_{t-1} + \delta_t$$a_2$$Z$$Y$$Z$$Y$$t$$\Delta Y_t = Y_t - Y_{t-1}$上述等式中的 Y t。（请注意，你可能会失去正常的和正常的，基于 ˚F或 χ 2个分布与非平稳数据，并与趋势变量收敛的速度，如果包含的话到分析，可能是牛逼- 1，甚至更快，而不是牛逼- 1 / 2。我们大多数人都是从中心极限定理使用你需要超级小心这些），所以我想如果。 Ÿ 牛逼就是答案评分， ž 牛逼的声誉，那么显然一0是平均得分，一个$Y_t$$F$$\chi^2$$T^{-1}$$T^{-1/2}$$Y_t$$Z_t$$a_0$$a_1$怎样的人学会写更好的答案，和是他们的声誉如何先于他们的话（提供的模型假设都满足，等等）$a_2$

关于第1点：如果您要手工进行固定效果，则应同时将响应变量和解释变量居中。面板数据回归软件包将为您完成此任务，但官方的计量经济学方法是从“合并的”回归中减去“回归”（请参阅Wooldridge的黑皮书；我没有检查过第二版，但我通常认为第一版是计量经济学面板数据的最佳教科书式描述）。

在您的要点2：当然，Eicker / White标准误差不会影响您的要点估算；如果他们这样做，则表示实施不正确！在时间序列的背景下，Newey和West（1987）给出了一个更合适的估计。尝试进行转换可能会有所帮助。我个人是Box-Cox转型的忠实粉丝，但在您进行的分析中，很难做到干净整洁。首先，您需要在shape参数之上放置一个shift参数，而在这种模型中，很难识别出shift参数。其次，您可能需要为不同的人员和/或不同的职位和/或...使用不同的shift / shape参数（所有这些都打破了）。计数数据也是一种选择，但是在均值建模的情况下，泊松回归与对数转换一样好，但是它强加了方差=均值的笨拙假设。

PS您可能可以用“纵向数据”和“时间序列”标记它。

对地块的其他一些更改：

1. 答案分数与先前声誉的分位数带。（图1和图3）
2. Skeet与其他人的密度图，按帖子＃分层（图3）
3. 考虑按＃个竞争帖子进行分层
4. 按时间分层（在提出问题后很长一段时间内可能会继续获得积分）

对此建模将更加困难。您可能会考虑泊松回归。坦率地说，开发良好的情节是开发洞察力和技能的更好的方法。对数据有更好的了解之后，就可以开始建模。

哇，在那里。（我的意思是，这是一种很好的方式；-)在继续进行模型之前，您需要解决数据的问题。

我在该图的中间看不到非常奇怪的曲线的解释：http : //stats.blogoverflow.com/files/2011/07/Rep_Correlated_With_Upvotes.png

看到这样的曲线，我认为这些点有些奇怪-它们不是彼此独立的，而是反映了对同一来源的观察序列。

（要注意的一点：称情节“ Correlation ...”具有误导性。）