调节效应图去中心化均值为零
A. 效应均值
在一系列运气事件中，偏离平均值的异常出色或糟糕的表现、极端事件发生后，紧接着会出现普通
表现或者不太极端的事件。如果我们表现非常惹眼，下次表现就会稍逊一筹，而如果表现不尽如人意，下一次就可能做得更好。但回归均值并不是一个自然法则，而
仅仅是统计学上的一种倾向，而且它的发生需要相当长的时间。弗兰西斯·高尔顿
我们的表现i经常围绕着平均值上下变化。极端的表现在下一次就显得不那么极端。为什么？因为测量方法做不到百分百精确，任何测量方法都包含随机误差。当测量结果过于极端，它们可能部分是由运气引起的。而在第二次测量时，运气的作用就可能下降。
如果放弃使用不成功的方法后，转而使用相似或更糟的第二种方法，我们也有可能在这一次中表现更出色。
把相关性误认为原因：
相关性指两个或更多变量间的关系或联系。我们倾向于认为在两件事相继发生后，前者是因，后者是果。但一个变量的变化与另一个变量的变化紧密相关或
者前后遥相呼应并不代表一方是引起另一方的原因，第三方因素可能是导致两者变化的原因。假设我们发现金钱和幸福之间有高度的相关性，但并不清楚是金钱带来
了幸福，还是幸福创造了财富，或者第三方导致了这两者。
有个关于统计学的案例，1992年报道说28名青少年经常玩龙与地下城游戏自杀身亡。从中得到了什么样的结论？青少年的自杀和这个游戏有关吗？美
国数学家约翰·艾伦·保罗士在著作《数盲》中从多个事实来考虑这个事件。该游戏卖出了上百万个版本，大概有300万个青少年玩家。在这个年龄段的人群中，
每年的自杀率为10万：12.这表明每年应该有360人自杀。
以上引自《从达尔文到芒格》
原始数据越极端，我们所期待的回归就越明显，因为极好的分数常常表明这一天的运气很不错。这种回归式的预测是很合理的，但是准确度却得不到保证。
回归效应无处不在，很多可以说明这一效应的误导性因果事件同样司空见惯。有一个经典的例子：凡是登上《体育画报》杂志封面的运动员都会在接下来的
赛季中表现欠佳。一般来说，人们会认为过度自信以及人们对其期望过高的压力造成了这些人表现不佳。不过，这个诅咒可以用更简单的方式来解释：能够成为封面
人物的运动员在前一赛季一定表现极为出色，也许这种出色的表现在很大程度上源于运气——运气是善变的，接下来他就没那么走运了。
回归效应随处可见，但是我们却无法识别它们的真实面目。
两个值之间的相关系数指的是两个值共有因素的相对比重，这个值在0-1浮动。下面的例子能帮助我们更好地了解相关系数：
* 一个物体的型号用英制单位精确测量的结果与用公制单位精确测量的结果之间的相关系数为1。任何影响其中一个值的因素都会影响另一个。两者享有同样的决定性因素。
* 美国成年男性自报的身高和体重之间的相关系数为0.41.如果将女性和儿童也包括进去，那么相关系数会更高，因为性别和年龄都会影响身高和体重，这便使得共有因素所占比例增加。
* 学术能力评估考试成绩（SAT）和平均绩点（GPA）之间的相关系数大约是0.6.然而，研究生的潜能测试与成功之间的相关性则小得多，这在很大程度上是因为这一群体的潜能差异比较小。如果每个人都有相似的潜能，那么在衡量成功时，潜能的因素就不会占太大比重。
* 美国人收入和教育程度相关系数为0.4
* 家庭收入和他们电话号码后四位之间的相关系数为0
弗朗西斯·高尔顿用了好几年的时间才确定相关性和回归性并非两个概念——它们只是从不同视角对同一个概念作出阐释。这个概念的原则很简单，但是影响却很深远：只要两个数值之间的相关度不高，就会出现回归均值的情况。
我们的思维常会对因果关系的解释带有很强的偏见，而且不善于处理统计数据。当我们把注意力集中在某一事件上时，相关的记忆就开始探寻其原因——更
确切地说，我们会对所有早已存在于记忆中的原因进行自动搜索。当发现有回归效应时，因果关系解释就会被激活，但事实上这些解释都是不对的，因为回归均值虽
然可以用来解释现象，却无法找出其中原因。在高尔夫锦标赛中，那些第一天成功的选手通常在第二天发挥都很糟糕，而这种比赛总会吸引我们的注意力。对于这种
现象最好的解释就是，那些选手第一天出奇的走运，不过这种解释缺乏我们大脑所认可的因果关系因素。事实上，那些能够为回归效应提供巧妙解释的人往往赚得盆
满钵满。如果一个商业评论员声称“今年的生意比去年要好，因为去年太糟了”，尽管他说得没错，但也很有可能很快就被电台噤声。
我们理解回归概念存在很多困难，这些困难皆源自两个系统——系统1和系统2.在相当数量的案例中，即便提供了一些统计数据，若无特殊说明，“相
关”与“回归”的关系还是相当模糊的。因此系统2认为理解这种关系很难。因为从某种程度上讲，着是由于我们总是要求对事物进行因果关系解释，着也是系统1
的一个特征。
对于回归效应做出错误因果解释的不仅仅是大众读者。统计学家霍华德·维纳曾列出一长串杰出研究者的名字，他们也犯过同样错误——将相关性和因果性混淆在一起。回归均值是科学研究中的常见问题，有经验的科学家都会小心提放这种毫无缘由的因果推论所形成的陷阱。
正如高尔顿历经艰难才发现的那样，回归的概念从来就不是显而易见的。
示例：
“她说经验教会她一个道理，批评比赞扬更有用。不过她不明白这是回归平均值在发挥效用。”
“也许由于惧怕让众人失望，所以他的第二次面试没有第一次那样令人印象深刻，他第一次的表现太优秀了。”
“我们的筛选过程并不是很完美，所以我们会考虑回归性。有些极其优秀的候选人也会让我们失望，对我们并不感到惊讶。”
B. 请问spss调节效应图怎么画
可以使用SPSSAU调节作用直接生成简单斜率图。
操作方法如下：
1.选择【问卷研究】-【调节作用】。
C. 主成分分析PCA算法：为什么要对数据矩阵进行均值化
个人觉得 去均值化是为了方面后面的协方差，去均值化后各维度均值为零，
协方差中的均值也就是零了，方便求解。
具体，假设矩阵A去中心化后得到B，那么B的协方差就是B*B的转置
D. 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】。
E. 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）
F. 如何在excel中画调节效应图
在excel中画调节效应图的方法和操作步骤如下：
1、首先，打开一个准备好的表格，如下图所示。
G. 在主成分分析法中，经过demean处理后的数据A均值为0， 那么映射后的数据A_project的均值也为0， 为什么
PCA 首先将数据去中心处理，均值为0； 映射是做的垂线（以二维平面为例），画画图很容易知道（它的x分量和y分量的均值都为0） Xproject 当然也为0
H. 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。
I. 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。