In quali circostanze vorresti o non vuoi ridimensionare o standardizzare una variabile prima del fitting del modello? E quali sono i vantaggi / gli svantaggi del ridimensionamento di una variabile?
In quali circostanze vorresti o non vuoi ridimensionare o standardizzare una variabile prima del fitting del modello? E quali sono i vantaggi / gli svantaggi del ridimensionamento di una variabile?
Risposte:
La standardizzazione riguarda i pesi delle diverse variabili per il modello. Se si esegue la standardizzazione "solo" per motivi di stabilità numerica, potrebbero esserci trasformazioni che producono proprietà numeriche molto simili ma un diverso significato fisico che potrebbe essere molto più appropriato per l'interpretazione. Lo stesso vale per la centratura, che di solito fa parte della standardizzazione.
Situazioni in cui probabilmente si desidera standardizzare:
Situazioni in cui potresti non voler standardizzare:
Puoi fare qualcosa "in mezzo" e trasformare le variabili o scegliere l'unità in modo che le nuove variabili abbiano ancora un significato fisico ma la variazione del valore numerico non è così diversa, ad es.
Simile per la centratura:
In generale, non consiglio il ridimensionamento o la standardizzazione a meno che non sia assolutamente necessario. Il vantaggio o il fascino di un tale processo è che, quando una variabile esplicativa ha una dimensione fisica e una grandezza totalmente diverse dalla variabile di risposta, il ridimensionamento attraverso la divisione per deviazione standard può aiutare in termini di stabilità numerica e consente di confrontare gli effetti tra più variabili esplicative. Con la standardizzazione più comune, l'effetto variabile è la quantità di cambiamento nella variabile di risposta quando la variabile esplicativa aumenta di una deviazione standard; indica anche che il significato dell'effetto variabile (la quantità di cambiamento nella variabile di risposta quando la variabile esplicativa aumenta di un'unità) andrebbe perso, sebbene il valore statistico per la variabile esplicativa rimanga invariato. Però, quando l'interazione è considerata in un modello, il ridimensionamento potrebbe essere molto problematico anche per i test statistici a causa di una complicazione che comporta un adeguamento stocastico del ridimensionamento nel calcolo dell'errore standard dell'effetto di interazione (Preacher, 2003). Per questo motivo, il ridimensionamento per deviazione standard (o standardizzazione / normalizzazione) non è generalmente raccomandato, specialmente quando sono coinvolte interazioni.
Preacher, KJ, Curran, PJ e Bauer, DJ, 2006. Strumenti computazionali per sondare gli effetti di interazione nella regressione lineare multipla, modellazione multilivello e analisi della curva latente. Journal of Educational and Behavioural Statistics, 31 (4), 437-448.