調節效應圖去中心化均值為零
A. 效應均值
在一系列運氣事件中，偏離平均值的異常出色或糟糕的表現、極端事件發生後，緊接著會出現普通
表現或者不太極端的事件。如果我們表現非常惹眼，下次表現就會稍遜一籌，而如果表現不盡如人意，下一次就可能做得更好。但回歸均值並不是一個自然法則，而
僅僅是統計學上的一種傾向，而且它的發生需要相當長的時間。弗蘭西斯·高爾頓
我們的表現i經常圍繞著平均值上下變化。極端的表現在下一次就顯得不那麼極端。為什麼？因為測量方法做不到百分百精確，任何測量方法都包含隨機誤差。當測量結果過於極端，它們可能部分是由運氣引起的。而在第二次測量時，運氣的作用就可能下降。
如果放棄使用不成功的方法後，轉而使用相似或更糟的第二種方法，我們也有可能在這一次中表現更出色。
把相關性誤認為原因：
相關性指兩個或更多變數間的關系或聯系。我們傾向於認為在兩件事相繼發生後，前者是因，後者是果。但一個變數的變化與另一個變數的變化緊密相關或
者前後遙相呼應並不代表一方是引起另一方的原因，第三方因素可能是導致兩者變化的原因。假設我們發現金錢和幸福之間有高度的相關性，但並不清楚是金錢帶來
了幸福，還是幸福創造了財富，或者第三方導致了這兩者。
有個關於統計學的案例，1992年報道說28名青少年經常玩龍與地下城游戲自殺身亡。從中得到了什麼樣的結論？青少年的自殺和這個游戲有關嗎？美
國數學家約翰·艾倫·保羅士在著作《數盲》中從多個事實來考慮這個事件。該游戲賣出了上百萬個版本，大概有300萬個青少年玩家。在這個年齡段的人群中，
每年的自殺率為10萬：12.這表明每年應該有360人自殺。
以上引自《從達爾文到芒格》
原始數據越極端，我們所期待的回歸就越明顯，因為極好的分數常常表明這一天的運氣很不錯。這種回歸式的預測是很合理的，但是准確度卻得不到保證。
回歸效應無處不在，很多可以說明這一效應的誤導性因果事件同樣司空見慣。有一個經典的例子：凡是登上《體育畫報》雜志封面的運動員都會在接下來的
賽季中表現欠佳。一般來說，人們會認為過度自信以及人們對其期望過高的壓力造成了這些人表現不佳。不過，這個詛咒可以用更簡單的方式來解釋：能夠成為封面
人物的運動員在前一賽季一定表現極為出色，也許這種出色的表現在很大程度上源於運氣——運氣是善變的，接下來他就沒那麼走運了。
回歸效應隨處可見，但是我們卻無法識別它們的真實面目。
兩個值之間的相關系數指的是兩個值共有因素的相對比重，這個值在0-1浮動。下面的例子能幫助我們更好地了解相關系數：
* 一個物體的型號用英制單位精確測量的結果與用公制單位精確測量的結果之間的相關系數為1。任何影響其中一個值的因素都會影響另一個。兩者享有同樣的決定性因素。
* 美國成年男性自報的身高和體重之間的相關系數為0.41.如果將女性和兒童也包括進去，那麼相關系數會更高，因為性別和年齡都會影響身高和體重，這便使得共有因素所佔比例增加。
* 學術能力評估考試成績（SAT）和平均績點（GPA）之間的相關系數大約是0.6.然而，研究生的潛能測試與成功之間的相關性則小得多，這在很大程度上是因為這一群體的潛能差異比較小。如果每個人都有相似的潛能，那麼在衡量成功時，潛能的因素就不會占太大比重。
* 美國人收入和教育程度相關系數為0.4
* 家庭收入和他們電話號碼後四位之間的相關系數為0
弗朗西斯·高爾頓用了好幾年的時間才確定相關性和回歸性並非兩個概念——它們只是從不同視角對同一個概念作出闡釋。這個概念的原則很簡單，但是影響卻很深遠：只要兩個數值之間的相關度不高，就會出現回歸均值的情況。
我們的思維常會對因果關系的解釋帶有很強的偏見，而且不善於處理統計數據。當我們把注意力集中在某一事件上時，相關的記憶就開始探尋其原因——更
確切地說，我們會對所有早已存在於記憶中的原因進行自動搜索。當發現有回歸效應時，因果關系解釋就會被激活，但事實上這些解釋都是不對的，因為回歸均值雖
然可以用來解釋現象，卻無法找出其中原因。在高爾夫錦標賽中，那些第一天成功的選手通常在第二天發揮都很糟糕，而這種比賽總會吸引我們的注意力。對於這種
現象最好的解釋就是，那些選手第一天出奇的走運，不過這種解釋缺乏我們大腦所認可的因果關系因素。事實上，那些能夠為回歸效應提供巧妙解釋的人往往賺得盆
滿缽滿。如果一個商業評論員聲稱「今年的生意比去年要好，因為去年太糟了」，盡管他說得沒錯，但也很有可能很快就被電台噤聲。
我們理解回歸概念存在很多困難，這些困難皆源自兩個系統——系統1和系統2.在相當數量的案例中，即便提供了一些統計數據，若無特殊說明，「相
關」與「回歸」的關系還是相當模糊的。因此系統2認為理解這種關系很難。因為從某種程度上講，著是由於我們總是要求對事物進行因果關系解釋，著也是系統1
的一個特徵。
對於回歸效應做出錯誤因果解釋的不僅僅是大眾讀者。統計學家霍華德·維納曾列出一長串傑出研究者的名字，他們也犯過同樣錯誤——將相關性和因果性混淆在一起。回歸均值是科學研究中的常見問題，有經驗的科學家都會小心提放這種毫無緣由的因果推論所形成的陷阱。
正如高爾頓歷經艱難才發現的那樣，回歸的概念從來就不是顯而易見的。
示例：
「她說經驗教會她一個道理，批評比贊揚更有用。不過她不明白這是回歸平均值在發揮效用。」
「也許由於懼怕讓眾人失望，所以他的第二次面試沒有第一次那樣令人印象深刻，他第一次的表現太優秀了。」
「我們的篩選過程並不是很完美，所以我們會考慮回歸性。有些極其優秀的候選人也會讓我們失望，對我們並不感到驚訝。」
B. 請問spss調節效應圖怎麼畫
可以使用SPSSAU調節作用直接生成簡單斜率圖。
操作方法如下：
1.選擇【問卷研究】-【調節作用】。
C. 主成分分析PCA演算法：為什麼要對數據矩陣進行均值化
個人覺得 去均值化是為了方面後面的協方差，去均值化後各維度均值為零，
協方差中的均值也就是零了，方便求解。
具體，假設矩陣A去中心化後得到B，那麼B的協方差就是B*B的轉置
D. spss做完調節效應後怎麼繪制交互效應圖，求細致步驟
建議使用SPSSAU調節作用可以直接生成簡單斜率圖。
操作方法如下：
選擇【問卷研究】-【調節作用】。
E. 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）
F. 如何在excel中畫調節效應圖
在excel中畫調節效應圖的方法和操作步驟如下：
1、首先，打開一個准備好的表格，如下圖所示。
G. 在主成分分析法中，經過demean處理後的數據A均值為0， 那麼映射後的數據A_project的均值也為0， 為什麼
PCA 首先將數據去中心處理，均值為0； 映射是做的垂線（以二維平面為例），畫畫圖很容易知道（它的x分量和y分量的均值都為0） Xproject 當然也為0
H. 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。
I. spss中，變數去中心化是變數減去該變數的均值，那麼zscore又是什麼呢
中心化是減去均值，Z分數是再除以標准差，二者都是中心化的方法。