Есть ли причина не использовать ортогональные многочлены при подборе регрессий?

В общем, мне интересно, если там когда-либо лучше не использовать ортогональные полиномы при подборе регрессии с переменными более высокого порядка. В частности, мне интересно с использованием R:

Если poly()с raw = FALSEпроизводит то же значение, что и подогнанного poly()с raw = TRUE, и polyс raw = FALSEрешаете некоторые из проблем , связанных с полиномиальными регрессиями, то следует poly()с raw = FALSE всегда можно использовать для установки полиномиальных регрессий? При каких обстоятельствах было бы лучше не использовать poly()?

Есть ли причина? Конечно; скорее всего несколько.

Рассмотрим, например, где меня интересуют значения необработанных коэффициентов (скажем, для сравнения их с гипотетическими значениями), и коллинеарность не представляет особой проблемы. Это в значительной степени та же самая причина, почему я часто не имею в виду центр в обычной линейной регрессии (которая является линейным ортогональным полиномом)

Это не вещи, с которыми вы не можете справиться с помощью ортогональных полиномов; это скорее вопрос удобства, но удобство - большая причина, почему я делаю много вещей.

Тем не менее, я склоняюсь к ортогональным многочленам во многих случаях при подгонке многочленов, поскольку они имеют некоторые явные преимущества.

Потому что, если ваша модель покидает R, когда вырастет, вы должны помнить, чтобы упаковать ее константы центрирования и нормализации, а затем она должна тащить их все время. Представьте себе, что однажды столкнетесь с этим в SQL, и ужас, осознавая, что он их потерял!