Keskitys muuttujat vähentää Multicollinearity

Keskitys on yksi niistä aiheista tilastoja, jotka kaikki tuntuvat olen kuullut, mutta useimmat ihmiset don &'; tiedä paljoakaan. Se on kehittänyt mystiikkaa, joka on täysin tarpeeton.

Keskitys tarkoittaa vain vähentämällä yksittäinen arvo kaikki tiedot pistettä. Se siirtää laajuus vaihtelee, ja se yleensä sovelletaan ennustajia. Sitä kutsutaan keskitys koska ihmiset käyttävät usein keskiarvo arvo ne vähennä (niin uusi keskiarvo on nyt 0), mutta sen ei tarvitse olla keskiarvo. Itse asiassa, on olemassa monia tilanteita, kun muu arvo kuin keskiarvo on merkityksellisin.

Vaikka keskitys voidaan tehdä yksinkertaisella lineaarisen regression, sen todellista hyötyä syntyy kun on kerrannaisvaikutuksia termejä mallissa – vuorovaikutuksen kannalta tai toisen asteen termit (X-potenssiin).

On kaksi syytä keskustaan. Ensimmäinen on, kun vuorovaikutus termi on tehty kertomalla kaksi ennustaja muuttujia ovat myönteisiä mittakaavassa. Kun kerrot niitä luomaan vuorovaikutuksen, numerot lähellä 0 oleskelua lähellä 0 ja suuri määrä saada todella korkealla. Vuorovaikutus termi sitten korreloi alkuperäisiä muuttujia.

Mutta tämä on helppo tarkistaa. Yksinkertaisesti luoda kerrannaisvaikutuksia termi tietosi asetettu, suorita korrelaatio että vuorovaikutus aikavälillä ja alkuperäinen ennustaja. Vaikka korrelaatiot eivät ole paras tapa testata multikollineaarisuus, se antaa sinulle nopeasti tarkistaa.

Yritä uudelleen, mutta ensimmäinen keskus yhdessä IVs.

keskitys joku muuttujien keskiarvo (tai jokin muu mielekäs arvo lähellä keskellä jakelu) tekee puoli arvosi negatiivinen (koska keskimääräinen nyt vastaa 0). Kun nämä kerrotaan muiden positiivinen muuttujan, he eivät &'; t mennä kaikki yhdessä.

Toinen syy on auttaa tulkinta parametriestimaatit (regressiokertoimia, tai demot).
.