分位数回归中分类变量的扩展估计（标准化）（像 OLS 中的解决方法？）我正在寻找一种方法来生成分位数回归中两个分类变量的扩展估计值（标准化 beta 值）。在 OLS 中，先对所有连续预测变量及其结果进行标准化，然后使用“扩展估计值”下拉菜单效果很好，并且与在原始“参数估计值”上单击鼠标右键，逐个切换分类变量的参考值后，单击“标准 beta 值”几乎完全相同。
然而，在分位数回归中使用这种方法（切换参考水平）会给我带来截然不同的分类变量结果。而且我在分位数回归平台中找不到“扩展估计值”选项。无法获得扩展估计值会阻碍构建分位数过程图与OLS图进行比较，因为前者缺少了整整两个水平的分类变量。我怀疑这无法实现，是因为JMP使用的分类变量效应编码？还是仅仅是因为回归类型不同（OLS还是分位数）？我对分位数回归还不熟悉（是的，我必须在这里使用它）。但是，如果在这里可以生成分类变量的扩展估计值，有人知道怎么做吗？有什么解决方法吗？
数据混合和清理数据探索与可视化回复：分位数回归中分类变量的扩展估计（标准化）（类似于 OLS 中的解决方法？）扩展估计在拟合最小二乘法中可用但在广义回归中不可用的原因与每个平台参数化相同线性预测变量的方式不同有关。 分类因子的每个级别由模型中的一个参数表示。 当在模型中输入分类因子作为术语时，JMP 会自动创建这些参数。
拟合最小二乘法使用效应编码，其中估计值的总和必须为零。 所以最后一层 k 的参数估计必须等于前 k-1 估计的总和的负数。 JMP 传统上不显示此级别，因为它是受约束的，而不是估计的。
GenReg 使用不同的参数化。其中最后一个级别是参考并设置为零。 这种参数化有利于模型选择技术。
