Analityk danych bada cechę i stwierdza, że moda rozkładu jest mniejsza od mediany, a mediana jest mniejsza od średniej (moda < mediana < średnia). Która transformacja jest najbardziej odpowiednia do przekształcenia tych danych, aby można było zastosować model regresji liniowej?

Gdy moda < mediana < średnia, rozkład danych jest skośny w prawo (dodatnio skośny). W takich przypadkach transformacja logarytmiczna jest najczęściej stosowaną i najskuteczniejszą metodą zmniejszania skośności i stabilizowania wariancji, co jest korzystne dla modeli regresji liniowej, które zakładają normalność i homoskedastyczność reszt. Transformacja wykładnicza zwiększyłaby skośność w prawo. Transformacja wielomianowa jest używana do modelowania nieliniowych zależności między zmiennymi, a nie do normalizacji rozkładu cechy. Transformacja sinusoidalna jest stosowana dla danych cyklicznych lub okresowych.