㈠ stata做多水平模型,类别变量需要中心化吗
需要。
在心理学等社会科学的量化研究中，回归分析统计技术的运用非常普遍。
当变量具有明显的嵌套关系时(例如，学生嵌套于学校，员工嵌套于组织，重复测量嵌套于个体)，传统回归分析可能混淆不同测量水平的预测效应，低估回归系数标准误，增大统计一类错误概率。
此时，需要使用多水平模型(multilevelmodel，也叫多层线性模型，hierarchicallinearmodel)进行分析。
㈡ 如何用stata对数据进行中心化处理
直接代码解决
ssc install center（安装center）
center vars即可
㈢ 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。
㈣ stata数据处理什么时候要用中心化处理
当模型运行不稳定时数据用中心化处理。
具体方法如下：在SPSSAU“数据处理”选项里找到-生成变量右侧选项卡选择中心化(C)。点击想要进行标准化的数据-确认生成，点Ctrl或者Shift键同时选中多个标题，进行批量选中处理。生成变量后，系统会新生成数据。
㈤ stata中01变量怎么分析
类似于分组回归。
哑变量交乘类似于分组回归，交乘项系数就是组间方程斜率差异，交乘一般不对虚拟变量中心化，交乘不应该忽略主效应项，交乘使用的是整个样本，使得组间系数可以直接比较，相对于分组，可以显示更多整体细节。
㈥ stata中的center命令是什么意思
显示居中，大多用于文本显示的选项。这是一个选项。
justification(justificationstyle) specifies how the text is to be "horizontally" aligned
in the box. Choices include left, right, and center. Think of the textbox as being
horizontal, even if it is vertical when specifying this option.
㈦ 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。我们不需要过多的洞扒蠢担心「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，研究人员应该纳陪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，并节省此扰宝贵的资源用来讨论主要变量的经济效果。
㈧ stata如何去中心化后写交互
调节效应。
你应该是第一张放两个变量，第二张放3个变量，选择的回归方法是enter(进入)。但是spss不是按照你的顺序去放变量，而是把你所选的所有变量都加到模型里面去，在进行第一个回归的时候把多出来的变量排除，所以会有这个表格出现。如果不想出现这个表格，你就分两次做回归，第一次放中心D中心H，出了结果再放中心D中心H D乘H，分两次做就不会有了。
㈨ 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。