技术总编：高金凤
重磅！！！爬虫俱乐部将于 2019年10月2日至10月5日在湖北武汉举行 Python编程技术培训，本次培训采用理论与案例相结合的方式，旨在帮助零基础学员轻松入门Python，由浅入深学习和掌握Python编程技术，尤其是爬虫技 术和文本分析技术。 该培训目前在火热招生中，点击《爬虫俱乐部2019十一Python编程技术培训 名啦！》或点击文末阅读原文，了解培训详细信息，抓紧时间 名吧！ 在进行数据分析或模型估计时，经常需要对数据进行标准化处理(normalization)。 例如，在一个数据集中变量A的取值区间为[0,10]，变量B的取值区间为[100,1000]。若直接采用原始数据进行分析，由于变量B量纲更大，这样可能造成模型估计偏误。 借助数据标准化处理，可以将原始数据转换为无量纲、无数量级差异的标准化数值。通过将数据按照一定比例缩放，使变量取值落于一个特定区间或服从特定分布，消除了量纲、变量自身变异和数值大小的影响，从而便于对不同变量和数据进行综合分析、比较。 在介绍Stata软件的数据标准化操作之前，首先了解两种常用的数据标准化方法。 (一) 数据标准化方法
1、离差标准化
离差标准化是令变量的观测值减去该变量的最小值，然后除以该变量的极差，把数值标准化至Z分数，即：
经过上述处理，变量约有一半取值小于0，一半取值大于0，近似服从N(0,1)的标准正态分布。但采用该种方法，原来数值较大的观测值依然可能对估计结果产生显著影响，需进一步消除变量间的差异性。
(二)Stata操作
1、离差标准化 假设存在某一变量data，其描述性统计结果如下：
通过观察可知，采用标准差标准化方法时，新生成变量的均值、方差并不严格为0、1。在实际操作中，还需依据变量自身特点，探索最适用的标准化方法。
相关资源：本草纲目下载李时珍本草纲目查询软件版v1.4_本草纲目pdf彩图版…
声明：本站部分文章及图片源自用户投稿，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！