緊急問題：居中回歸器 - 請幫助親愛的社區，
我有一個非常緊迫的問題。 在從因變量中排除異常值之前或之後，我是否將回歸量居中？ 它會改變回歸量的平均值，因為對於因變量來說是異常值的數據點，它們的回歸量值將不會包含在用於中心化它的回歸量的平均值中。 是否有按什麼順序進行的約定？
我希望我能正確地用文字表達我的問題。
我會非常感謝每一個提示。
回复：緊急問題：居中回歸器 - 請幫助好的，隨機效應是我所缺少的。無論如何，您都無法使用 JMP 將它們合併到原始邏輯回歸中。您可以使用 SAS (PROC GLIMMIX) 或在 R 中做到這一點。我確信 Box-Cox 的軟件實現帶有偏移參數，但 JMP 不這樣做。如果您想要 Box-Cox 只是為了看看轉換是否有幫助，我只會在這些上添加 4 個。用這些數據來做這件事實際上是有道理的，因為從 1 到 7 的 7 點李克特量表與 -3 到 3 一樣有意義。我查看了這些響應的普通最小二乘模型，在正態分位數圖上繪製學生化殘差真的不是那麼糟糕。就轉換而言，我不會做任何事情，而只是按原樣使用響應。
回复：緊急問題：居中回歸器 - 請幫助非常感謝您的時間和詳細的答复。 我想擬合一個包含參與者和項目編號的線性混合模型作為隨機效應（僅截距）。 我無法用行號來解釋趨勢，也許是因為它目前是由 keeyresp 排序的？我的主管建議我對序數數據進行 LMM，即使從技術上講它是序數。 我現在用不同的變換計算了 resp.val 的所有模型並保存了殘差。 由於所有人都不遵循正態分佈，我會使用對數，因為正態分佈至少排在推薦的第三位。 或者有沒有一種方法可以計算 Box Cox，而無需在我的值中添加一個常數，從而使它們變為正數？
不幸的是，我無法附加該文件。
回复：緊急問題：居中回歸器 - 請幫助感謝您發布。它消除了很多困惑。在這種情況下，居中不會為您做任何事情，因為您沒有要求對涉及 rating.response 的任何高階效應建模。
如果您確實包含與 rating.response 的交互，您會看到與該效果的交互以平均評分為中心：
我確定您注意到該響應的高度非正態性。基於 Box-Cox 圖，我建議使用值 -0.5（平方根的倒數）進行冪變換。獨立性也有一個問題：非常行順序後殘差的明顯趨勢（這裡的行順序與時間順序相對應嗎？）。不確定那裡發生了什麼，但這是一個應該解決的大問題。此殘差圖顯示了變換的問題，但您也可以在變換之前看到它。
如果您添加行順序列作為附加效果，您可以解釋這一點（仍然留下一些主要問題）。但是，行順序實際上是唯一具有統計意義的效應。 
現在，關於你的第二個問題。從技術上講，您有響應的序數數據。使用 7 分制，有時您可以將其視為連續的，但您可能無法進行很好的轉換。分析該響應的技術上更正確的方法是序數邏輯回歸。為此，請將這些響應的建模類型設為“Ordinal”。擬合模型應默認為序數邏輯回歸。您可以為固定效果指定相同的模型。該模型將輸出每個評分值的概率。
我將使用的腳本保存到表中。
回复：緊急問題：居中回歸器 - 請幫助我附上了文件。 我想通過 kongruenz=1 和 neg2=0 及其交互來分析 key_resp_1.rt von Teilmenge von Data_total。 rating zentr 是我詢問的居中回歸量。
關於數據轉換的問題是對 rating_val1.response 作為具有相同固定效應的因變量的第二次分析。 rating_2.response 也是一樣。
我想做一個互惠轉換，但這很糟糕，因為零值對嗎？添加一個常數後，效果會完全改變。 我現在將比較 log 和 squrt。 我的主管告訴我，當有負值時不應該使用二次變換。當我首先添加一個常數時，這對 squrt 也適用嗎？
我真的非常感謝您的支持。
回复：緊急問題：居中回歸器 - 請幫助您可以發布您正在使用的數據嗎？如果您有知識產權方面的問題，您可以給列提供通用名稱。我認為如果我能看到您正在使用的內容，那麼幫助您會容易得多。
回复：緊急問題：居中回歸器 - 請幫助之後我將數據拆分為兩兩比較，以顯示主效應對一個子組和另一個子組的影響。 我有一個 2x2 設計。 我會遇到的另一個問題是我需要找到最佳轉換。 Box Cox 檢驗在 jmp 中不是很有用，因為它僅可用於正數據（在擬合模型標準最小二乘法中），但我有負值和正值。 我現在將比較 log、squarert 和 reciprocal（在我添加 1+minimum 之後）與數據。 我已經嘗試過使用陽性數據的 Box-Cox，但是由於每次向數據中添加不同的常數時都會得到不同的值，所以我覺得這不是很合理。
回复：緊急問題：居中回歸器 - 請幫助你真的不需要做任何事情。如果您想確保已打開該選項，只需查看“擬合模型”對話框窗口中的紅色箭頭菜單。您應該看到“中心多項式”被選中。主效應不會居中，但它們會在交互作用和二次項中。這就是您獲得居中好處所需的全部內容。
我不確定我是否理解您的意思“線性混合回歸”。你的意思是你有連續的和分類的因素嗎？我問是因為這也可能被理解為意味著固定和隨機效應的混合。無論哪種方式，我都不明白需要拆分數據來解決交互。你能再解釋一下嗎？您應該能夠在 1 個模型中直接對任何交互進行建模。
回复：緊急問題：居中回歸器 - 請幫助感謝您的回答。 我手動對它們進行中心化，使用擬合模型時如何讓 jmp 做到這一點？ 我使用線性混合回歸模型，如 Anova。 這就是為什麼我將在第二步中拆分我的數據以解決交互問題。 我會將我的回歸器集中在不同的組中嗎？ 我覺得這將是未經授權的，但在數學上是合理的。
回复：緊急問題：居中回歸器 - 請幫助從數學上講，以實際用於擬合模型的數據為中心（即去除異常值之後）會更有意義。關鍵是要減少模型中高階項的共線性，這會增加每個模型係數的 t 檢驗的功效（類似地縮短相關參數估計的置信區間）。另一個潛在的原因是對參數估計有特定的解釋。最有可能的是，在有或沒有離群值的情況下集中效應幾乎沒有什麼區別，因為它可能不會顯著改變與高階項的任何相關性。
不過很好奇，您是否手動將它們居中？如果是這樣，您真的不需要這樣做，因為 JMP 會為您處理。在擬合模型中，默認選項是使多項式居中。
