To capture new information in app d

To capture new information in app downloads and average daily users, we calculate Abnormal app downloads (Abnormal daily users) by using the average of the app downloads (average daily users) in the previous 12 months as the benchmark for the expected app usage level as shown in Equation (1). The , can be either Abnormal app downloads or Abnormal daily users, while , can be either App downloads or Average daily users The advantage of using a long-window average as a benchmark is to reduce the impact of transitory fluctuation (Huang 2018). Specifically, Abnormal app downloads (Abnormal daily users) is the natural log transformation of the ratio of App downloads (Average daily users) to the prior-12-month average. We use the natural log transformation to reduce the influence of outliers and improve model fit. As Table 1 shows, the mean of app downloads (and average daily users) is much larger than the median, indicating the app usage data are right-skewed. To mitigate the influence of outliers, it is better to take the log transformation. In our sample, the mean of abnormal app downloads is -0.106 and the mean of abnormal daily users is 0.004. Table

結果 (繁體中文) 1:

為了捕捉在應用下載和日均用戶新的信息，我們計算出異常的應用程序下載（異常日常用戶）在過去12個月使用的平均應用下載量（平均每天用戶）為基準的預期應用使用率水平在等式（1）所示。的，可以是異常應用下載或異常每日用戶，同時，可以是應用軟件下載或日均用戶為基準是減少瞬時波動的影響使用長窗口平均（黃2018）的優點。具體而言，異常應用下載（異常每日用戶）是應用下載的現有的12個月的平均比率（平均每日用戶）的自然對數轉換。我們使用自然對數變換，以減少異常值的影響，提高模型的擬合。如表1所示，應用下載（和平均每日用戶）的平均值大於中等大得多，表明應用使用情況數據是右偏。為了減輕異常值的影響，最好是採取對數變換。在我們的樣本中，不正常的應用程序下載量的平均值為-0.106，平均每天用戶異常的為0.004。
表

結果 (繁體中文) 2:

為了捕獲應用下載和平均每日使用者中的新資訊，我們使用過去 12 個月內應用下載次數（日均使用者）的平均值作為預期應用使用水準的基準，計算異常應用下載次數（異常每日使用者數）如方程 （1） 所示。之可以是異常應用下載或異常每日使用者，而 ，可以是應用下載或日均使用者 使用長視窗平均值作為基準的優勢是減少暫時波動的影響 （Huang 2018）。具體來說，異常應用下載（異常每日使用者）是應用下載（日均使用者）與 12 個月前平均值比率的自然日誌轉換。我們使用自然對數變換來減少異常值的影響，提高模型擬合性。如表 1 所示，應用下載（和日均使用者）的平均值遠遠大於中位數，表明應用使用資料向右傾斜。為了減輕異常值的影響，最好採用日誌轉換。在我們的示例中，異常應用下載的平均值為 -0.106，異常每日使用者的平均值為 0.004。
表

結果 (繁體中文) 3:

為了捕獲應用程序下載中的新資訊和平均每日用戶數，我們使用前12個月的應用程序下載平均數（平均每日用戶數）作為預期應用程序使用水准的基準來計算异常應用程序下載（异常每日用戶數），如等式（1）所示。可以是异常的應用程序下載，也可以是异常的每日用戶，而可以是應用程序下載，也可以是平均的每日用戶。使用長視窗平均值作為基準的優勢是减少短暫波動的影響（Huang 2018）。具體來說，异常應用下載（异常每日用戶）是應用下載（平均每日用戶）與前12個月平均值之比的自然對數轉換。利用自然對數變換來减少异常值的影響，提高模型的擬合度。如錶1所示，應用程序下載量（以及平均每日用戶數）的平均值遠大於中值，這表明應用程序使用數據是右偏的。為了减少异常值的影響，最好進行日誌轉換。在我們的樣本中，應用程序下載异常的平均值為-0.106，每日用戶异常的平均值為0.004。
桌子