共线性变量均去中心化

⑴ 什么是去中心化

去中心化（英语：decentralization）是互联网发展过程中形成的社会关系形态和内容产生形态，是相对于“中心化”而言的新型网络内容生产过程。
相对于早期的互联网（Web 1.0）时代，Web 2.0内容不再是由专业网站或特定人群所产生，而是由权级平等的全体网民共同参与、共同创造的结果。任何人都可以在网络上表达自己的观点或创造原创的内容，共同生产信息。
随着网络服务形态的多元化，去中心化网络模型越来越清晰，也越来越成为可能。Web 2.0兴起后，Wikipedia、Flickr、Blogger等网络服务商所提供的服务都是去中心化的，任何参与者均可提交内容，网民共同进行内容协同创作或贡献。
之后随着更多简单易用的去中心化网络服务的出现，Web2.0的特点越发明显。例如Twitter、Facebook等更加适合普通网民的服务的诞生，使得为互联网生产或贡献内容更加简便、更加多元化，从而提升了网民参与贡献的积极性、降低了生产内容的门槛。最终使得每一个网民均成为了一个微小且独立的信息提供商，使得互联网更加扁平、内容生产更加多元化。

⑵ 怎么进行去中心化处理

根据侯杰泰的话：所谓中心化， 是指变量减去它的均值（即数学期望值）。对于样本数据，将一个变量的每个观测值减去该变量的样本平均值，变换后的变量就是中心化的。
对于你的问题，应是每个测量值减去均值。

⑶ eviews 怎么对数据进行去中心化

减去均数就可以去中心化

⑷ spss中，变量去中心化是变量减去该变量的均值，那么zscore又是什么呢

中心化是减去均值，Z分数是再除以标准差，二者都是中心化的方法。

⑸ 什么是多元共线性

多元共线性：当自变量高度相关时，就会互相削弱各自对y的边际影响，使本身的回归系数下降而其标准误扩大，于是就会出现回归方程整体显著，但各个自变量都不显著的现象，即多重共线性。解决方法之一就是对变量去中心化处理。

⑹ 为什么当模型存在严重的多重共线性时，ols估计量将不具备一致性

在现实经济运行中，许多经济变量在随时间的变化过程中往往存在共同的变化趋势，使之产生多重共线性；使用截面数据建立回归模型时，根据研究的具体问题选择的解释变量常常从经济意义上存在着密切的关联度；在建模过程中由于认识上的局限性造成便来那个选择不当，从而引起变量之间的多重共线性；在模型中大量采用滞后变量也容易产生多重共线性。

多重共线性的危害有几个方面：

一是在完全共线性下参数估计量不存在，理由是;1()XX-不存在；

二是近似共线性下OLS参数估计量非有效，理由是参数估计量的方差将可能变得很大；

三是参数估计量经济意义不合理，如当2X和3X存在线性关系时，2X和3X前的参数并不能反映各自与被解释变量之间的结构关系；四是变量的显著性检验失去意义，因为无论是t检验还是F检验，都与参数估计量的方差有关；五是模型的预测功能失效。

检验多重共线性的方法思路：用统计上求相关系数的原理，如果变量之间的相关系数较大则认为它们之间存在多重共线性。

克服多重共线性的方法主要有：增加样本观测值，略去不重要的解释变量，用被解释变量的滞后值代替解释变量的滞后值，利用参数之间的关系，利用解释变量之间的关系，变换模型的形式，对数据进行中心化处理，修正Frisch法等。

⑺ 数据中心化为什么能够消除多重共线性

一篇JA的论文。应该还是很权威。可能我的表述没清楚。另外我看教程有的地方讲如果解决多重共线性问题时候，也有提到通过“数据中心化”来达到的。但是为什么呢？原理是什么？

原文是
为了减少连续变量“经验/理性导向理解过程”（此变量在此研究中是自变量）与其他自变量“图片类型”间交互影响产生的多重共线性，自变量在回归中都进行了均值中心化处理。

“Because indivial difference is a continuous variable, the hypotheses tests used multiple regression analyses. To rece problems with multicollinearity among the continuous variable (experiential–rational processing) and its interaction term with the other variable (picture type), the independent variables were mean centered for the regressions.

⑻ 数据，交互变量一定要去中心化吗

不一定，中心化处理只不过是为了方便解释而已，并不影响各项回归系数。（南心网 调节效应中心化处理）