Centrando Variáveis ​​para reduzir Multicolinearidade

Centralização é um daqueles temas em estatísticas que toda a gente parece ter ouvido falar, mas a maioria das pessoas don &'; t sabe muito sobre. Ele desenvolveu uma mística que é totalmente desnecessário.

Centralização significa apenas subtraindo um valor único de todos os seus pontos de dados. Ela muda a escala de uma variável e normalmente é aplicado a preditores. É chamado de centralização porque as pessoas costumam usar a média como o valor que eles subtrair (para que a nova média é agora a 0), mas ele não tem que ser a média. Na verdade, há muitas situações em que um valor diferente do que a média é mais significativo

Enquanto centralização pode ser feito em uma regressão linear simples, os seus benefícios reais emergem quando existem termos multiplicativos do modelo —. Termos de interação ou termos quadrático (X-quadrado).

Há duas razões para o centro. A primeira é quando um termo de interação é feita a partir multiplicação de dois variáveis ​​de previsão estão em uma escala positiva. Quando você multiplica-los para criar a interação, os números próximos a 0 estadia próximo de 0 e os números elevados ficar muito alta. O termo de interação, em seguida, é altamente correlacionado com as variáveis ​​originais.

Mas isso é fácil de verificar. Basta criar o termo multiplicativo em seu conjunto de dados, em seguida, executar uma correlação entre esse termo de interação eo preditor originais. Embora as correlações não são a melhor maneira de testar multicolinearidade, ele vai te dar uma rápida verificação.

Em seguida, tente novamente, mas primeiro centro de um de seus IVs.

Centrar uma de suas variáveis ​​em a média (ou algum outro valor significativo próximo do meio da distribuição) fará com que a metade dos seus valores negativos (uma vez que a média agora é igual a 0). Quando aqueles são multiplicados com a outra variável positiva, eles don &'; t ir todos juntos

A outra razão é para ajudar a interpretação das estimativas dos parâmetros (coeficientes de regressão, ou betas) Art  ..;