Oprócz uwag w innych odpowiedziach chciałbym zauważyć, że skala i lokalizacja zmiennych objaśniających nie wpływa w żaden sposób na ważność modelu regresji.
Rozważ model .r= β0+ β1x1+ β2)x2)+ … + Ε
Do najmniejszych kwadratów estymatory z nie są dotknięte przez przesuwanie. Powodem jest to, że są to nachylenia powierzchni pasowania - o ile zmienia się powierzchnia, jeśli zmienisz x 1 , x 2 , … jedną jednostkę. To nie zależy od lokalizacji. ( Jednak robi to estymator β 0 ).β1, β2), …x1, x2), …β0
Patrząc na równaniach dla estymatorów widać, że skalowanie ze współczynnikiem a łuski p 1 przez współczynnik 1 / . Aby to zobaczyć, zwróć uwagę na tox1zaβ^11 / a
β^1( x1) = ∑ni = 1( x1 , ja- x¯1) ( yja- y¯)∑ni = 1( x1 , ja- x¯1)2).
A zatem
β^1( a x1) = ∑ni = 1( a x1 , ja- a x¯1) ( yja- y¯)∑ni = 1( a x1 , ja- a x¯1)2)= a ∑ni = 1( x1 , ja- x¯1) ( yja- y¯)za2)∑ni = 1( x1 , ja- x¯1)2)= β^1( x1)za.
Patrząc na odpowiedniej formule P 2 (na przykład) jest (oby) jest jasne, że nie ma wpływu na skalowanie estymatorów innych tras.β^2)
Zatem skalowanie po prostu odpowiada skalowaniu odpowiednich nachyleń.
zaja= 1 / sjasjax1xja