去中心化后怎么计算调节调节作用
❶ 做调节效应分析一定要把自变量和调节变量做去中心化处理吗
不一定，中心化处理只不过是为了能够方便解释而已，并不会影响各项回归系数。
数据中心化和标准化在回归分析中是取消由于量纲不同、自身变异或者是数值相差较大所引起的误差。数据中心化指的就是变量减去它的均值。数据标准化指的就是数值减去均值，再除以标准差。通过中心化和标准化处理，能够得到均值为0，标准差为1的服从标准正态分布的数据。在一些实际问题当中，我们得到的样本数据都是多个维度的，也就是一个样本是用多个特征来表征的。很显然，这些特征的量纲和数值得量级都是不一样的，而通过标准化的处理，可以使得不同的特征具有相同的尺度(Scale)。这样，在学习参数的时候，不同特征对参数的影响程度就一样了。简而言之，当原始数据不同维度上的特征的尺度(单位)不一致的时候，需要标准化步骤对数据进行预处理。数据预处理，一般有数据归一化、标准化以及去中心化。归一化：是将数据映射到[01]或[-11]区间范围内，不同特征的量纲不同，值范围大小不同，存在奇异值，对训练有影响。标准化：是将数据映射到满足标准正态分布的范围内，使数据满足均值是0标准差是1。标准化同样可以消除不同特征的量纲。去中心化：就是使数据满足均值为0，但是对标准差没有要求。如果对数据的范围没有限定要求，则选择标准化进行数据预处理；如果要求数据在某个范围内取值，则采用归一化；如果数据不存在极端的极大极小值时，采用归一化；如果数据存在较多的异常值和噪音，采用标准化。
❷ 自变量与调节变量都是分类变量时怎么分析调节效应
根据自变量和调节变量的数据类型，可以分为以下四种情况：
❸ 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。
❹ 调节变量要和因变量相关才能检验调节效应吗
不是的，调节变量其实可以跟自变量或者因变量都不相关。
调节效应的主要前提是自变量和因变量应该有相关，因为调节的目的就是看自变量对因变量的作用在不同条件下有哪些变化。如果自变量和因变量本来就无关，也就是说在任何条件下都无关，那也没必要谈条件了。
在用软件做调节效应分析：
X是自变量，M是调节变量，Y是因变量（1）单独分析X与Y显著（2）单独分析M和Y也显著（3）单独分析X和M显著（4）最后将X*M，X和Y同时带入方程，结果显示交互项X*M显著，但是X和M分别对Y不显著了。
Y与X的关系受到第三个变量M的影响。调节变量可以是定性的（如性别、种族、学校类型等），也可以是定量的（如年龄、受教育年限、刺激次数等），它影响因变量和自变量之间关系的方向（正或负）和强弱。
以上内容参考：网络-调节变量
❺ 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。
❻ stata调节变量去中心化处理后还是不显著怎么办
安装CENTER。
控制变量用来在多元回归分析中缓解混杂变量对因果效应估计的干扰。我们不需要过多的担心「控制变量的系数变化并没有预期的迹象」。因为在实际操作中控制变量的估计总是可能会产生偏差。相反，研究人员应该更加专注于解释主要变量的边际效应。相比之下，控制变量几乎没有实质性意义，我们可以放心地省略或只在附录中讨论。这样不仅会有效阻止研究人员从控制变量中得出错误的因果结论，而且还简化实证研究论文的讨论部分，并节省宝贵的资源用来讨论主要变量的经济效果。
❼ spss做完调节效应后怎么绘制交互效应图，求细致步骤
建议使用SPSSAU调节作用可以直接生成简单斜率图。
操作方法如下：
选择【问卷研究】-【调节作用】。
❽ 去中心化是一种什么的计算思想
去中心化计算，又称分散式计算，是将硬件和软件资源分配到每个单独的工作站或办公地点。相比之下，集中计算在大多数功能被执行时存在，或者从远程集中位置获得。分散式计算是现代商业环境中的一种趋势。这与计算机早期流行的集中计算相反。分散式计算机系统比传统的集中式网络有许多优点。台式电脑的发展如此迅速，以至于它们的潜在性能远远超过了大多数的要求商业应用。这导致大多数台式计算机保持闲置状态（与其全部潜力相关）。分散的系统可以利用这些系统的潜力来最大限度地提高效率。
❾ 如何做SPSS的调节效应
做SPSS的调节效应方法：
用回归，回归也有两种方法来检验调节效应，看下面的两个方程，y是因变量，x是自变量，m是调节变量，mx是调节变量和自变量的交互项，系数是a b c c'。检验两个方程的R方该变量，如果该变量显著，说明调节作用显著，也可以直接检验c'的显著性，如果显著也可以说明调节作用。
