Słownik metodologiczny · Modele regresji

Centrowanie zmiennych – po co centrować predyktory przed interakcją?

Centrowanie przesuwa zero zmiennej na jej średnią. Zmienia interpretację efektów w modelu z interakcją, ale nie zmienia samej interakcji. Pokazujemy przykład w R, VIF przed centrowaniem i po nim oraz krótko CWC i CGM.

Strona główna / Słownik / Centrowanie zmiennych

Opracowanie merytoryczne: · Opublikowano:

W skrócie: Centrowanie to odjęcie średniej od zmiennej, tak by zero oznaczało przeciętną osobę. Przed interakcją sprawia, że efekty główne opisują wpływ predyktora przy przeciętnej wartości drugiej zmiennej; współczynnik interakcji, R² i moc pozostają bez zmian.

Co to jest centrowanie zmiennych?

Centrowanie zmiennej (ang. centering) to odjęcie od każdej jej wartości stałej, najczęściej średniej z próby (ang. mean centering). Rozkład, odchylenie standardowe i korelacje się nie zmieniają, przesuwa się tylko punkt zero: po centrowaniu 0 oznacza przeciętną osobę. W odróżnieniu od standaryzacji jednostki zostają te same.

xc = x − Mx

Po co centrować przed interakcją?

W modelu Y = b0 + b1X + b2Z + b3XZ współczynnik b1 to efekt X przy Z = 0. Na skali 1–5 zero nie istnieje, więc b1 nic nie mówi. Po centrowaniu b1 to efekt X przy przeciętnym Z. Dalal i Zickar (2012) pokazują, że centrowanie zmienia współczynniki niższego rzędu, ale nie współczynnik interakcji, dopasowanie modelu ani moc wykrycia moderacji. Spadek VIF dotyczy tylko technicznej współliniowości z iloczynem.

Przykład

U 200 osób stres i wsparcie społeczne (skale 1–5, M = 2.98 i 3.41) przewidywały dobrostan (dane symulowane). Bez centrowania b dla stresu wyniósł −7.63, a dla wsparcia −1.47, czyli wsparcie pozornie obniżało dobrostan. Były to jednak efekty przy wartości 0 drugiej zmiennej, czyli poza skalą. Po centrowaniu: stres b = −3.74, wsparcie b = 1.92. Interakcja (b = 1.14, p = .058) i R² = .406 pozostały identyczne, a VIF spadły z 22.12–53.81 do 1.00–1.02.

Jak opisać w pracy

Przed utworzeniem iloczynu stres i wsparcie wycentrowano średnią (M = 2.98 i M = 3.41). Przy przeciętnym wsparciu wyższy stres wiązał się z niższym dobrostanem, b = −3.74, SE = 0.36, t(196) = −10.28, p < .001; interakcja stresu i wsparcia była nieistotna, b = 1.14, SE = 0.60, t(196) = 1.91, p = .058.

Centrowanie w modelach wielopoziomowych

W modelu wielopoziomowym wybór jest ważniejszy. Centrowanie do średniej ogólnej (CGM) zachowuje różnice między grupami w predyktorze, a centrowanie w grupach (CWC, odjęcie średniej np. klasy) zostawia tylko zmienność wewnątrzgrupową. Enders i Tofighi (2007) zalecają wybierać sposób według pytania badawczego.

Na co uważać

Centrowanie nie usuwa współliniowości między różnymi predyktorami. Podaj w metodzie, które zmienne i jaką średnią centrowano. Cały przykład analizy moderacji znajdziesz w poradniku analiza moderacji krok po kroku.

Przykład reprodukowalny

Centrowanie w R

Kod centruje oba predyktory, porównuje współczynniki modeli z interakcją i liczy VIF bez dodatkowych pakietów. Liczby z przykładu pochodzą z tego kodu.

Model z interakcją przed centrowaniem i po nim

Dane wejściowe: stres, wsparcie społeczne (skale 1–5) i dobrostan 200 osób (dane symulowane, set.seed(127)).

Co odczytać: w tabeli współczynników zmieniają się efekty stresu i wsparcia, a współczynnik interakcji zostaje ten sam; w tabeli VIF kolumny to stres, wsparcie i iloczyn.

R
set.seed(127)
n <- 200
stres <- pmin(pmax(rnorm(n, 3, 0.8), 1), 5)
wsparcie <- pmin(pmax(rnorm(n, 3.5, 0.7), 1), 5)
dobrostan <- 25 - 3 * (stres - 3) + 2 * (wsparcie - 3.5) + 1.5 * (stres - 3) * (wsparcie - 3.5) + rnorm(n, 0, 4)
stres_c <- stres - mean(stres); wsparcie_c <- wsparcie - mean(wsparcie)   # centrowanie średnią
m_surowy <- lm(dobrostan ~ stres * wsparcie)
m_centr <- lm(dobrostan ~ stres_c * wsparcie_c)
round(cbind(surowy = coef(m_surowy), centrowany = coef(m_centr)), 2)
vif <- function(m) { X <- model.matrix(m)[, -1]
  sapply(seq_len(ncol(X)), function(j) 1 / (1 - summary(lm(X[, j] ~ X[, -j]))$r.squared)) }
round(rbind(surowy = vif(m_surowy), centrowany = vif(m_centr)), 2)   # VIF: stres, wsparcie, iloczyn
Wynik w R
               surowy centrowany
(Intercept)     41.18      25.02
stres           -7.63      -3.74
wsparcie        -1.47       1.92
stres:wsparcie   1.14       1.14
            [,1]  [,2]  [,3]
surowy     33.24 22.12 53.81
centrowany  1.00  1.02  1.02

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje pakietów base i stats).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/

Najczęstsze pytania

Czy centrowanie zmienia wynik testu interakcji?

Nie. Współczynnik iloczynu, jego błąd standardowy, wartość p i R² modelu są takie same. Zmieniają się tylko współczynniki niższego rzędu i ich interpretacja.

Czy zmienną zależną też trzeba centrować?

Nie trzeba. Centrowanie zmiennej zależnej zmienia tylko wyraz wolny. Centruje się predyktory, zwłaszcza te, które wchodzą do iloczynu i nie mają sensownego zera.

Czym różni się centrowanie od standaryzacji?

Centrowanie odejmuje średnią, ale zostawia jednostki. Standaryzacja dodatkowo dzieli przez odchylenie standardowe, więc wynik wyraża się w jednostkach SD i ma średnią 0 oraz SD 1.

Powiązane hasła

ModeracjaVIF (współczynnik VIF)Model wielopoziomowyEfekt interakcjiStandaryzacja zmiennejDzielenie medianą (median split)

Poradniki, w których użyjesz tego pojęcia

Poradnik

Model wielopoziomowy krok po kroku w R

Pięć modeli na danych o pracownikach w zespołach: ICC, centrowanie CWC i CGM, losowe nachylenia, interakcja międzypoziomowa, REML a ML i wzór raportu.

Czytaj →Poradnik

Analiza moderacji krok po kroku

Hipoteza, centrowanie, model z interakcją, proste nachylenia, Johnson–Neyman, wykresy, moc, kod R, PROCESS w SPSS i opis APA – na jednym przykładzie.

Czytaj →Poradnik

Regresja wieloraka krok po kroku

Model i hipotezy, przygotowanie danych, założenia i diagnostyka, ΔR², interpretacja b, β i sr², kod R, SPSS i opis APA – na jednym przykładzie.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Dalal, D. K., & Zickar, M. J. (2012). Some common myths about centering predictor variables in moderated multiple regression and polynomial regression. Organizational Research Methods, 15(3), 339–362. https://doi.org/10.1177/1094428111430540
  2. Enders, C. K., & Tofighi, D. (2007). Centering predictor variables in cross-sectional multilevel models: A new look at an old issue. Psychological Methods, 12(2), 121–138. https://doi.org/10.1037/1082-989x.12.2.121

Cytowania BibTeX

@article{dalal2012some, author={Dalal, Dev K. and Zickar, Michael J.}, title={{Some common myths about centering predictor variables in moderated multiple regression and polynomial regression}}, journal={Organizational Research Methods}, year={2012}, volume={15}, number={3}, pages={339--362}, doi={10.1177/1094428111430540}}
@article{enders2007centering, author={Enders, Craig K. and Tofighi, Davood}, title={{Centering predictor variables in cross-sectional multilevel models: A new look at an old issue}}, journal={Psychological Methods}, year={2007}, volume={12}, number={2}, pages={121--138}, doi={10.1037/1082-989x.12.2.121}}
R