交互項回歸時去中心化處理

1. 如何解釋方程中的交互項

交互項 – 一般需要經過標准化處理(減均值,除方差)。好處可以使預測方差減小,同時使不同變數在同樣的尺度下產生交集。其經濟含義為並集的額外解釋能力

2. 怎麼進行去中心化處理

根據侯傑泰的話：所謂中心化， 是指變數減去它的均值（即數學期望值）。對於樣本數據，將一個變數的每個觀測值減去該變數的樣本平均值，變換後的變數就是中心化的。
對於你的問題，應是每個測量值減去均值。

3. 層次回歸中交互項如何算的

將自變數和調節變數中心化之後用中心化的值相乘 得到一個新的變數（即交互項的乘積） 然後再放入回歸；
中心化有幾種方法，這里介紹最常用的兩種，一種是減去平均值，一種是z分數。
減去平均值：先進行一個description統計，得到描述性統計結果，有平均數和標准差。然後使用compute命令，新建一個變數=原變數-平均數。
z分數，和上面的結果差不多，只不過在新變數的基礎之上除以標准差，得到一個分數。

4. 數據，交互變數一定要去中心化嗎

不一定，中心化處理只不過是為了方便解釋而已，並不影響各項回歸系數。（南心網 調節效應中心化處理）

5. 在回歸分析中什麼是交叉變數或者叫交互項（interaction terms）它有什麼作用

交互項系數衡量的是一個變數對於「另一個變數對因變數影響能力」的影響，通常X1是mmy，比如X1是男女，X是智商，因變數是收入，其系數衡量的是智商對於提高收入的作用的性別差異

6. 回歸方程中交互項的作用

（1）如果解釋變數的邊際效應不是常數，此時可考慮引入交互項，使得某解釋變數的邊際效應依賴於另一解釋變數。當然，也可以考慮加入平方項（仍可通過求偏導數來解釋其經濟含義）。

（2）如果真實模型（true model）為包含交互項的非線性模型，則簡單的線性模型將遺漏此交互項，從而導致「遺漏變數偏差」（omitted variable bias）：

（3）通常線性模型所說的「故事」（story）過於簡單，可能文獻中早已做過。而如果在模型中加入交互項，則會使得你的故事變得更為深入而微妙。

(6)交互項回歸時去中心化處理擴展閱讀

具有兩個預測變數（x1和x2）之間的相互作用的多元線性回歸方程可以寫成如下：

y = b0 + b1*x1 + b2*x2 + b3*(x1*x2)

考慮到我們的例子，它變成：

sales = b0 + b1*youtube + b2*facebook + b3*(youtube*facebook)

這也可以寫成：

sales = b0 + (b1 + b3*facebook)*youtube + b2*facebook

或作為：

sales = b0 + b1*youtube + (b2 +b3*youtube)*facebook

b3可以解釋為YouTube廣告中單位增加的YouTube廣告效果的增加（反之亦然）。

7. spss做回歸都需要中心化嗎

1、因變數不需要做中心化轉換；
2、第一步是自變數進入回歸方程；第二步是自變數和調節變數一起進入；第三步是自變數、調節變數、交互項一起進入；
3、將調節變數分成高低組,做自變數與因變數的回歸分析,再比較高低組自變數對因變數的影響系數大小,進行斜率檢驗.

8. 線性回歸中做中心化處理的話是不是要把所有的變數都做

數據中心化和標准化在回歸分析中的意義是取消由於量綱不同、自身變異或者數值相差較大所引起的誤差。數據標准化是指：數值減去均值，再除以標准差；所謂中心化，是指變數減去它的均值。