Centracja – proces przekształcania wartości zmiennej na odchylenia od określonego punktu. Tym punktem może być dowolna wybrana wartość, ale najczęściej stosuje się średnią. W takim przypadku od każdej wartości zmiennej odejmuje się wartość średnią.  Centracja nie zmienia kształtu rozkładu ani względnych odległości między obserwacjami, lecz przesuwa skalę tak, aby wybrany punkt odniesienia – najczęściej średnia – przyjmował wartość 0. 

Centracja jest często stosowana przed dalszym modelowaniem statystycznym, przede wszystkim w celu ułatwienia interpretacji współczynników regresji, zwłaszcza w modelach zawierających interakcje.

Istnieją 2 główne metody centracji:

• Grand mean centring (centrowanie względem średniej ogólnej) – od każdej obserwacji odejmowana jest średnia ogólna dla całego zbioru danych. Przykład: od wzrostu wszystkich uczniów szkoły podstawowej odejmujemy średni wzrost wszystkich uczniów tej szkoły.
• Group mean centring (centrowanie względem średniej grupowej) – od każdej obserwacji odejmowana jest średnia obliczona dla grupy, do której dana obserwacja należy. Przykład: od wzrostu każdego ucznia odejmujemy średni wzrost uczniów należących do jego klasy.  Grand mean centring odnosi wartości do średniej całej próby, natomiast group mean centring – do średniej konkretnej grupy. 

Zagadnienie centracji jest ściśle związane z wielopoziomowością danych, ponieważ pozwala rozdzielać informacje wynikające z różnic między grupami i różnic występujących wewnątrz grup. Ma to znaczenie m.in. w modelach wielopoziomowych, analizie moderacji oraz regresji z interakcjami.

Proces ten można przeprowadzić samodzielnie, np. gdy chcemy analizować związek ocen szkolnych z wynikiem egzaminu ósmoklasisty, uwzględniając fakt, że uczniowie są zagnieżdżeni w różnych szkołach. Niektóre dodatki do programów statystycznych, np. PROCESS lub MLmed, mogą również oferować automatyczne centrowanie zmiennych.

PRZYKŁAD RÓŻNICY MIĘDZY DANYMI SUROWYMI A WYCENTROWANYMI