分位數回歸中分類變量的擴展估計（標準化）（類似於 OLS 中的解決方法？）我正在尋找一種方法來為分位數回歸中的兩個分類變量生成擴展估計值（標準化 beta）。 在 OLS 中，首先標準化所有連續預測變量和結果，然後使用“擴展估計”下拉菜單效果很好，並產生幾乎在簡單地逐一切換分類變量的參考水平後，與右鍵單擊“Std Beta”的原始“參數估計值”完全相同。
但是，在分位數回歸中使用這項工作（切換參考水平）給了我非常分類變量的不同結果。 我可以找到分位數回歸平台中沒有“擴展估計”選項。 無法獲得擴展估計是構建分位數過程圖以與 OLS 圖進行比較的拖累，因為前者缺少分類變量的兩個完整級別。 我懷疑它不能通過 jmp 使用的分類變量的效果編碼來完成？ 或者，僅僅是由於回歸差異的類型（OLS 與分位數）？ 我是分位數回歸的新手（是的，我必須在這裡使用它）。 但是，如果在這裡不可能產生對分類變量的擴展估計，有人知道怎麼做嗎？ 解決辦法？
分析數據表蘋果系統其他回复：分位數回歸中分類變量的擴展估計（標準化）（類似於 OLS 中的解決方法？）擴展估計在擬合最小二乘法中可用但在廣義回歸中不可用的原因與每個平台參數化相同線性預測變量的方式不同有關。 分類因子的每個級別由模型中的一個參數表示。 當在模型中輸入分類因子作為術語時，JMP 會自動創建這些參數。
擬合最小二乘法使用效應編碼，其中估計值的總和必須為零。 所以最後一層 k 的參數估計必須等於前 k-1 估計的總和的負數。 JMP 傳統上不顯示此級別，因為它是受約束的，而不是估計的。
GenReg 使用不同的參數化。其中最後一個級別是參考並設置為零。 這種參數化有利於模型選擇技術。
