Nee, dat hoeft niet. Je krijgt sowieso zowel de ruwe regressiegewichten (beta's) als de gestandaardiseerde regressiegewichten (beta's), dus je kunt sowieso zien wat de regressiecoefficienten (weer een synoniem voor regressiecoefficienten of beta's) zouden zijn geweest als je alles had gestandaardiseerd.
Standaardiseren is handig als je interactie-termen opneemt, omdat je de multicollineariteit verlaagt. Hoewel hier discussie over is, is het verstandig om dit altijd te doen als je interactietermen toevoegt tenzij je in die discussie wilt/kunt duiken.
Als je geen interactietermen in je regressiemodel opneemt, hoef je niet te standaardiseren - hoewel er bij arbirtaire schalen ook niet echt een reden is om het niet te doen natuurlijk. Het kan de interpreteerbaarheid van je resultaten ten goede komen als je variabelen allemaal op dezelfde schaal zijn gemeten (zoals na standaardisatie). Een bijkomend voordeel is dat je standard errors dan ook vergelijkbaar zijn tussen je voorspellers - want hoewel je standaard ook je gestandaardiseerde beta's krijgt (SPSS noemt de niet-gestandaardiseerde beta's trouwens om de een of andere onnavolgbare reden "B" in plaats van "raw $\beta$" ofzo), krijg je niet standaard ook de standard error voor die gestandaardiseerde beta's.
