Bagaimana mengubah nilai negatif menjadi logaritma?

Saya ingin tahu cara mengubah nilai negatif Log(), karena saya memiliki data heteroskedastik. Saya membaca bahwa itu bekerja dengan rumus Log(x+1)tetapi ini tidak bekerja dengan database saya dan saya terus mendapatkan NaNs sebagai hasilnya. Misalnya saya mendapatkan pesan Peringatan ini (saya tidak memasukkan database lengkap saya karena saya pikir dengan salah satu nilai negatif saya sudah cukup untuk menunjukkan contoh):

> log(-1.27+1)
[1] NaN
Warning message:
In log(-1.27 + 1) : NaNs produced
> 

Terima kasih sebelumnya

MEMPERBARUI:

Ini adalah histogram dari data saya. Saya bekerja dengan deret waktu palaeontologis pengukuran kimia, Misalnya perbedaan antara variabel seperti Ca dan Zn terlalu besar, maka saya perlu beberapa jenis standardisasi data, itulah sebabnya saya menguji log()fungsi.

Ini adalah data mentah saya

Karena logaritma hanya didefinisikan untuk angka positif, Anda tidak dapat mengambil logaritma nilai negatif. Namun, jika Anda bertujuan mendapatkan distribusi yang lebih baik untuk data Anda, Anda dapat menerapkan transformasi berikut.

Misalkan Anda memiliki data negatif miring:

x <- rlnorm(n = 1e2, meanlog = 0, sdlog = 1)
x <- x - 5
plot(density(x))

maka Anda dapat menerapkan transformasi pertama untuk membuat data Anda berada di :$(-1,1)$

z <- (x - min(x)) / (max(x) - min(x)) * 2 - 1
z <- z[-min(z)]
z <- z[-max(z)]
min(z); max(z)

dan akhirnya menerapkan tangen hiperbolik terbalik:

t <- atanh(z)
plot(density(t))

Sekarang, data Anda terlihat berdistribusi normal. Ini juga disebut transformasi Fisher.

Untuk mengubahnya menjadi skala log, pertama-tama cari log dari angka positif lalu kalikan dengan tandanya, kode berikut harus melakukannya.

transform_to_log_scale <- function(x){
    if(x==0){
        y <- 1
    } else {
        y <- (sign(x)) * (log(abs(x)))
    }
        y 
    }

Dengan menggunakan contoh di atas kita dapat memplot distribusi miring berikut ini

x <- rlnorm(n = 1e2, meanlog = 0, sdlog = 1)
x <- x - 5
plot(density(x))

Setelah menggunakan fungsi transformasi sebagai berikut, kami mendapatkan distribusi yang terlihat lebih 'normal'

plot(density(sapply(x,FUN=transform_logs_scale)))