紧急问题：居中回归器 - 请帮助亲爱的社区，
我有一个非常紧迫的问题。 在从因变量中排除异常值之前或之后，我是否将回归量居中？ 它会改变回归量的平均值，因为对于因变量来说是异常值的数据点，它们的回归量值将不会包含在用于中心化它的回归量的平均值中。 是否有按什么顺序进行的约定？
我希望我能正确地用文字表达我的问题。
我会非常感谢每一个提示。
回复：紧急问题：居中回归器 - 请帮助好的，随机效应是我所缺少的。无论如何，您都无法使用 JMP 将它们合并到原始逻辑回归中。您可以使用 SAS (PROC GLIMMIX) 或在 R 中做到这一点。我确信 Box-Cox 的软件实现带有偏移参数，但 JMP 不这样做。如果您想要 Box-Cox 只是为了看看转换是否有帮助，我只会在这些上添加 4 个。用这些数据来做这件事实际上是有道理的，因为从 1 到 7 的 7 点李克特量表与 -3 到 3 一样有意义。我查看了这些响应的普通最小二乘模型，在正态分位数图上绘制学生化残差真的不是那么糟糕。就转换而言，我不会做任何事情，而只是按原样使用响应。
回复：紧急问题：居中回归器 - 请帮助非常感谢您的时间和详细的答复。 我想拟合一个包含参与者和项目编号的线性混合模型作为随机效应（仅截距）。 我无法用行号来解释趋势，也许是因为它目前是由 keeyresp 排序的？我的主管建议我对序数数据进行 LMM，即使从技术上讲它是序数。 我现在用不同的变换计算了 resp.val 的所有模型并保存了残差。 由于所有人都不遵循正态分布，我会使用对数，因为正态分布至少排在推荐的第三位。 或者有没有一种方法可以计算 Box Cox，而无需在我的值中添加一个常数，从而使它们变为正数？
不幸的是，我无法附加该文件。
回复：紧急问题：居中回归器 - 请帮助感谢您发布。它消除了很多困惑。在这种情况下，居中不会为您做任何事情，因为您没有要求对涉及 rating.response 的任何高阶效应建模。
如果您确实包含与 rating.response 的交互，您会看到与该效果的交互以平均评分为中心：
我确定您注意到该响应的高度非正态性。基于 Box-Cox 图，我建议使用值 -0.5（平方根的倒数）进行幂变换。独立性也有一个问题：非常行顺序后残差的明显趋势（这里的行顺序与时间顺序相对应吗？）。不确定那里发生了什么，但这是一个应该解决的大问题。此残差图显示了变换的问题，但您也可以在变换之前看到它。
如果您添加行顺序列作为附加效果，您可以解释这一点（仍然留下一些主要问题）。但是，行顺序实际上是唯一具有统计意义的效应。 
现在，关于你的第二个问题。从技术上讲，您有响应的序数数据。使用 7 分制，有时您可以将其视为连续的，但您可能无法进行很好的转换。分析该响应的技术上更正确的方法是序数逻辑回归。为此，请将这些响应的建模类型设为“Ordinal”。拟合模型应默认为序数逻辑回归。您可以为固定效果指定相同的模型。该模型将输出每个评分值的概率。
我将使用的脚本保存到表中。
回复：紧急问题：居中回归器 - 请帮助我附上了文件。 我想通过 kongruenz=1 和 neg2=0 及其交互来分析 key_resp_1.rt von Teilmenge von Data_total。 rating zentr 是我询问的居中回归量。
关于数据转换的问题是对 rating_val1.response 作为具有相同固定效应的因变量的第二次分析。 rating_2.response 也是一样。
我想做一个互惠转换，但这很糟糕，因为零值对吗？添加一个常数后，效果会完全改变。 我现在将比较 log 和 squrt。 我的主管告诉我，当有负值时不应该使用二次变换。当我首先添加一个常数时，这对 squrt 也适用吗？
我真的非常感谢您的支持。
回复：紧急问题：居中回归器 - 请帮助您可以发布您正在使用的数据吗？如果您有知识产权方面的问题，您可以给列提供通用名称。我认为如果我能看到您正在使用的内容，那么帮助您会容易得多。
回复：紧急问题：居中回归器 - 请帮助之后我将数据拆分为两两比较，以显示主效应对一个子组和另一个子组的影响。 我有一个 2x2 设计。 我会遇到的另一个问题是我需要找到最佳转换。 Box Cox 检验在 jmp 中不是很有用，因为它仅可用于正数据（在拟合模型标准最小二乘法中），但我有负值和正值。 我现在将比较 log、squarert 和 reciprocal（在我添加 1+minimum 之后）与数据。 我已经尝试过使用阳性数据的 Box-Cox，但是由于每次向数据中添加不同的常数时都会得到不同的值，所以我觉得这不是很合理。
回复：紧急问题：居中回归器 - 请帮助你真的不需要做任何事情。如果您想确保已打开该选项，只需查看“拟合模型”对话框窗口中的红色箭头菜单。您应该看到“中心多项式”被选中。主效应不会居中，但它们会在交互作用和二次项中。这就是您获得居中好处所需的全部内容。
我不确定我是否理解您的意思“线性混合回归”。你的意思是你有连续的和分类的因素吗？我问是因为这也可能被理解为意味着固定和随机效应的混合。无论哪种方式，我都不明白需要拆分数据来解决交互。你能再解释一下吗？您应该能够在 1 个模型中直接对任何交互进行建模。
回复：紧急问题：居中回归器 - 请帮助感谢您的回答。 我手动对它们进行中心化，使用拟合模型时如何让 jmp 做到这一点？ 我使用线性混合回归模型，如 Anova。 这就是为什么我将在第二步中拆分我的数据以解决交互问题。 我会将我的回归器集中在不同的组中吗？ 我觉得这将是未经授权的，但在数学上是合理的。
回复：紧急问题：居中回归器 - 请帮助从数学上讲，以实际用于拟合模型的数据为中心（即去除异常值之后）会更有意义。关键是要减少模型中高阶项的共线性，这会增加每个模型系数的 t 检验的功效（类似地缩短相关参数估计的置信区间）。另一个潜在的原因是对参数估计有特定的解释。最有可能的是，在有或没有离群值的情况下集中效应几乎没有什么区别，因为它可能不会显着改变与高阶项的任何相关性。
不过很好奇，您是否手动将它们居中？如果是这样，您真的不需要这样做，因为 JMP 会为您处理。在拟合模型中，默认选项是使多项式居中。
