回归分析要对数据去中心化吗

⑴ 急问！spss主成分回归分析后，要把标准化后的数据还原用来求原方程式，怎么求啊！

用得到的print值做因变量，用原始数据做自变量。然后线性回归，所得到的回归系数就是线性组合的系数，然后做的回归相当于一个线性方程组，然后就可以还原成主成分回归方程了。

Logistic回归主要分为三类，一种是因变量为二分类得logistic回归，这种回归叫做二项logistic回归，一种是因变量为无序多分类得logistic回归，比如倾向于选择哪种产品，这种回归叫做多项logistic回归。

还有一种是因变量为有序多分类的logistic回归，比如病重的程度是高，中，低呀等等，这种回归也叫累积logistic回归，或者序次logistic回归。

(1)回归分析要对数据去中心化吗扩展阅读：

数据标准化（归一化）处理是数据挖掘的一项基础工作，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。

意义：数据中心化和标准化在回归分析中是取消由于量纲不同、自身变异或者数值相差较大所引起的误差。

原理：数据标准化：是指数值减去均值，再除以标准差；

数据中心化：是指变量减去它的均值。

目的：通过中心化和标准化处理，得到均值为0，标准差为1的服从标准正态分布的数据。

⑵ 做调节效应分析一定要把自变量和调节变量做去中心化处理吗

不一定，中心化处理只不过是为了能够方便解释而已，并不会影响各项回归系数。

数据中心化和标准化在回归分析中是取消由于量纲不同、自身变异或者是数值相差较大所引起的误差。数据中心化指的就是变量减去它的均值。数据标准化指的就是数值减去均值，再除以标准差。通过中心化和标准化处理，能够得到均值为0，标准差为1的服从标准正态分布的数据。在一些实际问题当中，我们得到的样本数据都是多个维度的，也就是一个样本是用多个特征来表征的。很显然，这些特征的量纲和数值得量级都是不一样的，而通过标准化的处理，可以使得不同的特征具有相同的尺度(Scale)。这样，在学习参数的时候，不同特征对参数的影响程度就一样了。简而言之，当原始数据不同维度上的特征的尺度(单位)不一致的时候，需要标准化步骤对数据进行预处理。数据预处理，一般有数据归一化、标准化以及去中心化。归一化：是将数据映射到[01]或[-11]区间范围内，不同特征的量纲不同，值范围大小不同，存在奇异值，对训练有影响。标准化：是将数据映射到满足标准正态分布的范围内，使数据满足均值是0标准差是1。标准化同样可以消除不同特征的量纲。去中心化：就是使数据满足均值为0，但是对标准差没有要求。如果对数据的范围没有限定要求，则选择标准化进行数据预处理；如果要求数据在某个范围内取值，则采用归一化；如果数据不存在极端的极大极小值时，采用归一化；如果数据存在较多的异常值和噪音，采用标准化。

⑶ 线性回归中做中心化处理的话是不是要把所有的变量都做

数据中心化和标准化在回归分析中的意义是取消由于量纲不同、自身变异或者数值相差较大所引起的误差。数据标准化是指：数值减去均值，再除以标准差；所谓中心化，是指变量减去它的均值。

⑷ 数据中心化和标准化在回归分析中的意义是什么

对数据中心化和标准化的目的是消除特征之间的差异性，可以使得不同的特征具有相同的尺度，让不同特征对参数的影响程度一致。简言之，当原始数据不同维度上的特征的尺度（单位）不一致时，需要中心化和标准化步骤对数据进行预处理。
(4)回归分析要对数据去中心化吗扩展阅读：
因为原始数据往往自变量的单位不同，会给分析带来一定困难，又因为数据量较大，可能会因为舍入误差而使计算结果并不理想。数据中心化和标准化有利于消除由于量纲不同、数量级不同带来的影响，避免不必要的误差。
回归分析中，通常需要对原始数据进行中心化处理和标准化处理。通过中心化和标准化处理，得到均值为0，标准差为1的服从标准正态分布的数据。
参考资料：
网络——数据标准化

⑸ spss做回归都需要中心化吗

1、因变量不需要做中心化转换；
2、第一步是自变量进入回归方程；第二步是自变量和调节变量一起进入；第三步是自变量、调节变量、交互项一起进入；
3、将调节变量分成高低组,做自变量与因变量的回归分析,再比较高低组自变量对因变量的影响系数大小,进行斜率检验.

⑹ 回归分析的内容和步骤是什么

1、确定变量：

明确定义了预测的具体目标，并确定了因变量。 如果预测目标是下一年的销售量，则销售量Y是因变量。 通过市场调查和数据访问，找出与预测目标相关的相关影响因素，即自变量，并选择主要影响因素。

2、建立预测模型：

依据自变量和因变量的历史统计资料进行计算，在此基础上建立回归分析方程，即回归分析预测模型。

3、进行相关分析：

回归分析是因果因素（自变量）和预测因子（因变量）的数学统计分析。 只有当自变量和因变量之间存在某种关系时，建立的回归方程才有意义。 因此，作为自变量的因子是否与作为因变量的预测对象相关，程度的相关程度以及判断相关程度的程度是在回归分析中必须解决的问题。 相关分析通常需要相关性，并且相关度系数用于判断自变量和因变量之间的相关程度。

4、计算预测误差：

回归预测模型是否可用于实际预测取决于回归预测模型的测试和预测误差的计算。 回归方程只能通过回归方程作为预测模型来预测，只有当它通过各种测试且预测误差很小时才能预测。

5、确定预测值：

利用回归预测模型计算预测值，并对预测值进行综合分析，确定最后的预测值。

(6)回归分析要对数据去中心化吗扩展阅读：

回归分析的应用：

1、相关分析研究的是现象之间是否相关、相关的方向和密切程度，一般不区别自变量或因变量。而回归分析则要分析现象之间相关的具体形式，确定其因果关系，并用数学模型来表现其具体关系。比如说，从相关分析中我们可以得知“质量”和“用户满意度”变量密切相关，但是这两个变量之间到底是哪个变量受哪个变量的影响，影响程度如何，则需要通过回归分析方法来确定。

2、一般来说，回归分析是通过规定因变量和自变量来确定变量之间的因果关系，建立回归模型，并根据实测数据来求解模型的各个参数，然后评价回归模型是否能够很好的拟合实测数据；如果能够很好的拟合，则可以根据自变量作进一步预测。

⑺ 数据中心化和标准化在回归分析中的意义是什么

数据中心化和标准化的意义是一样的，为了消除量纲对数据结构的影响。因为在回归分析中，多个自变量量纲一般情况下是不相同的，如果不消除量纲，数据之间不具有可比性，不如，1000kg和200立方米，不一定数值大的自变量对因变量的影响就大，消除量纲后，就具有可比性了。

⑻ 回归分析的基本步骤是什么

回归分析：

1、确定变量：明确预测的具体目标，也就确定了因变量。如预测具体目标是下一年度的销售量，那么销售量Y就是因变量。通过市场调查和查阅资料，寻找与预测目标的相关影响因素，即自变量，并从中选出主要的影响因素。

2、建立预测模型：依据自变量和因变量的历史统计资料进行计算，在此基础上建立回归分析方程，即回归分析预测模型。

3、进行相关分析：回归分析是对具有因果关系的影响因素（自变量）和预测对象（因变量）所进行的数理统计分析处理。只有当自变量与因变量确实存在某种关系时，建立的回归方程才有意义。

因此，作为自变量的因素与作为因变量的预测对象是否有关，相关程度如何，以及判断这种相关程度的把握性多大，就成为进行回归分析必须要解决的问题。进行相关分析，一般要求出相关关系，以相关系数的大小来判断自变量和因变量的相关的程度。

4、计算预测误差：回归预测模型是否可用于实际预测，取决于对回归预测模型的检验和对预测误差的计算。回归方程只有通过各种检验，且预测误差较小，才能将回归方程作为预测模型进行预测。

5、确定预测值：利用回归预测模型计算预测值，并对预测值进行综合分析，确定最后的预测值。

Logistic Regression逻辑回归

逻辑回归是用来计算“事件=Success”和“事件=Failure”的概率。当因变量的类型属于二元（1 / 0，真/假，是/否）变量时，应该使用逻辑回归。这里，Y的值为0或1，它可以用下方程表示。

odds= p/ (1-p) = probability of event occurrence / probability of not event occurrence

ln(odds) = ln(p/(1-p))

logit(p) = ln(p/(1-p)) =b0+b1X1+b2X2+b3X3....+bkXk

在这里使用的是的二项分布（因变量），需要选择一个对于这个分布最佳的连结函数。它就是Logit函数。在上述方程中，通过观测样本的极大似然估计值来选择参数，而不是最小化平方和误差（如在普通回归使用的）。

以上内容参考：网络-回归分析

⑼ 【SPSS】急~请问数据中心化处理之后如何做回归分析

因子是通过因子分析得到，DATA rection-factor里面做

⑽ 多元非线性回归分析需要对数据做归一化吗

不需要
因为回归是探索因果关系，要保持原量纲信息。
不像做神经网络，需要归一化，消除量纲差异