Lineaire regressie-analyse - het centreren van een Covariate om Interpreteerbaarheid verbeteren

De reden voor het centreren van een continue covariabele is dat het interpreteerbaarheid kan verbeteren.

Bijvoorbeeld, zeggen dat je een categorische predictor met 4 categorieën en een continue covariaat, plus een interactie tussen hen.

Ten eerste, zult u merken dat als u uw covariabele centreren op het gemiddelde, is er geen verschil in de ANOVA tabel (Tests van Between Onderwerpen Effects). Er kunnen kleine verschillen als gevolg van afronding, maar de resultaten over het algemeen niet veranderen

De categorische variabele zou worden geïnterpreteerd door te kijken naar de geschatte marginale middelen. (In SPSS, SAS, ze zijn minst genoemd kwadraten betekent) . Deze middelen worden geïnterpreteerd als middel om de DV naar de gemiddelde waarde van de covariante. Als je je covariabele gecentreerd op het gemiddelde, mag er geen enkel verschil in de geschatte marginale middelen zijn.

De covariabele en interactie zou geïnterpreteerd worden door te kijken naar de tafel parameterschattingen.

De B waarden zijn de regressiecoëfficiënten (pistes). Met een interactie in het model, de B-waarde voor de covariabele de helling wanneer de categorische variabele = 0. De parameterschattingen tafel automatisch dummy codes uw categorische variabelen, wat betekent dat de categorie die wordt geleverd laatste alfabetisch = maakt 0 (Als je ze genummerd 1,2,3,4, dan 4 komt de laatste alfabetisch - u kunt deze standaardinstelling wijzigen wanneer u lopen de GLM). Dus de B-waarde voor de covariabele is de helling van de covariaten alleen Groep 4.

De B-waarden vermeld voor de wisselwerking met de andere groepen zijn de verschillen in de hellingen tussen elk van deze groepen en groepen 4. Als die B-waarden zijn belangrijk, weet je dat de hellingen zijn beduidend anders dan helling groep 4's.

Nogmaals, deze niet veranderen of de covariabele gecentreerd is of niet.

Wat betekent verandering zijn onderschept. En je hebt nu 4 onderschept (één regel voor elke categorie). De B-label Intercept in de output is het onderscheppen alleen voor de referentie-categorie (groep 4). De B ​​voor de andere drie groepen zijn de verschillen in onderscheppingen tussen groep 4 en elk van deze groepen.

Vergeet het onderscheppen is het gemiddelde van de afhankelijke variabele als de covariabele = 0. Wanneer u de covariaat centreren, u veranderen het 0 punt. Dus de onderschept zijn niet langer de gemiddelde waarde bij Covariate = 0 op zijn oorspronkelijke schaal, maar de gemiddelde waarde als de Covariate is op het gemiddelde.

Dit is vooral handig wanneer de Covariate nooit waarden zelfs dicht bij 0 .. Bijvoorbeeld, als je Covariate was Age, en uw Leeftijd varieerde 20-60, de gemiddelde waarde van de DV bij de geboorte niet veel zin
  maken;