waarom los je multicollinearity op middels standardization?

Question

Dit geeft toch alleen maar vergelijkbare variabelen m.b.t. de meetschalen,het zijn toch nog steeds samenhangende variabelen waarbij de unieke bijdrage van elk van de variabele moeilijk te bepalen is ?

Answer 1

Je lost multicollinearity niet op door te standaardizeren. Dus je veronderstelling klopt :-)

Wat je wel doet met standaardiseren, is de multicollineariteit die ontstaat door interactie-termen in je model op te nemen, verminderen.

Als je geinteresseerd bent in moderatie, moet je een interactie-term in je regressie-model opnemen. Zo'n interactieterm bestaat altijd uit het product van de betreffende voorspellers. Omdat die interactieterm dus is samengesteld uit andere voorspellers, introduceer je in je totale set voorspellers een voorspeller  die samenhangt met andere voorspellers. Multicollineariteit is sterke samenhang tussen je voorspellers, en dit kan dus een probleem zijn.

Door je voorspellers te standaardiseren voordat je de interactie-term berekent, verminder je die lineaire samenhang tussen je voorspellers en die interactieterm. De interactieterm hangt dan minder sterk samen met de voorspellers waar hij uit is opgebouwd, waardoor er minder multicollineariteit is, en je dus meer power overhoudt. (Multicollineariteit is een probleem omdat de standaardfouten van de schattingen van je regressie-coefficienten groter worden. Hoe minder je voorspellers onderling samenhangen, hoe beter de schatting van je beta's, zie ook http://oupsy.nl/help/35/wat-zijn-de-vif-en-tolerance-bij-regressie-analyse en http://oupsy.nl/help/32/hoe-bereken-ik-de-power-voor-een-mediatie-analyse voor meer informatie.)