Sebagai contoh, ramai orang tidak suka menyeragamkan pembolehubah tiruan, yang hanya mempunyai nilai 0 dan 1, kerana "satu peningkatan sisihan piawai" bukanlah sesuatu yang sebenarnya boleh berlaku dengan pembolehubah sedemikian. Oleh itu, anda mungkin mahu membiarkan pembolehubah tiruan tidak diseragamkan sambil menyeragamkan pembolehubah X berterusan.
Adakah saya perlu menyeragamkan pembolehubah bersandar?
Anda harus menyeragamkan pembolehubah apabila model regresi anda mengandungi istilah polinomial atau istilah interaksi. Walaupun jenis istilah ini boleh memberikan maklumat yang sangat penting tentang hubungan antara pembolehubah tindak balas dan peramal, ia juga menghasilkan jumlah multikolineariti yang berlebihan.
Adakah masuk akal untuk menyeragamkan pembolehubah binari?
Sesetengah penyelidik memihak kepada penyeragaman pembolehubah binari kerana ia akan menjadikan semua peramal pada skala yang sama. Ia adalah amalan standard dalam regresi berhukum (lasso). Dalam kes ini, penyelidik mengabaikan tafsiran pembolehubah.
Adakah kita perlu menyeragamkan pembolehubah kategori?
Adalah amalan biasa untuk menyeragamkan atau memusatkan pembolehubah untuk menjadikan data lebih boleh ditafsirkan dalam analisis cerun mudah; walau bagaimanapun, pembolehubah kategori tidak boleh diseragamkan atau dipusatkan. Ujian ini boleh digunakan dengan semua sistem pengekodan.
Bagaimanakah anda menyeragamkan pembolehubah yang berbeza?
Lazimnya, untuk menyeragamkanpembolehubah, anda mengira min dan sisihan piawai untuk pembolehubah. Kemudian, bagi setiap nilai yang diperhatikan bagi pembolehubah, anda menolak min dan bahagikan dengan sisihan piawai.