我在做任何事情之前都在寻找想法，以至于联系核心团队告诉他们他们有错误！
我有一个回归，我可以从中提取这样的系数：
lm(y ~ x1 * x2, data=ds)$coef
得出：x1 = 0.40，x2 = 0.37，x1 * x2 = 0.09
当我在SPSS中进行相同的回归时，得到：beta（x1）= 0.40，beta（x2）= 0.37，beta（x1 * x2）= 0.14。这种互动非常不同。
X1和X2的相关性约为0.75（是的，是的，我知道 - 这个模型不是我的想法，但已经发布了），所以很可能会出现共线性问题。
现在我们当然都想指点笑和SPSS，但我想我会尝试lm.ridge（）看看我是否能够了解问题发生的位置。所以要开始，让我们运行lm.ridge（），其中lambda = 0（即不是岭惩罚）并检查我们是否与lm（）相同：
lm(y ~ x1 * x2, lambda=0, data=ds)$coef
x1 = 0.40，x2 = 0.37，x1 * x2 = 0.14
亲爱的，亲爱的。 lm.ridge（）同意SPSS，而lm（）不同意。这里真正奇怪的是我假设lm.ridge只是搭载lm（），所以在特定情况下lambda = 0并且没有“起作用”，我希望得到相同的结果。 / p>
不幸的是，数据集中有34,000个案例，因此最不容易做出最小的代表。
任何想法我还能尝试什么？ （这并没有阻止我完成工作，但我现在很好奇！）