给出以下数据集：
csf age sex tiv group
0,30 7,92 1 1,66 1
0,26 33,75 0 1,27 3
0,18 7,83 0 1,43 2
0,20 9,42 0 1,70 1
0,29 22,33 1 1,68 2
0,40 20,75 1 1,56 1
0,26 13,25 0 1,68 1
0,28 6,67 0 1,66 1
0,22 10,58 0 1,38 1
0,22 13,08 0 1,41 2
0,33 36,42 1 1,68 3
0,29 35,00 1 1,34 3
0,11 7,25 1 1,20 2
0,13 10,00 0 1,12 3
0,32 34,58 1 1,33 3
0,68 8,25 1 1,90 1
0,25 11,08 1 1,92 2
0,33 10,92 0 1,24 1
0,20 9,33 1 1,58 1
0,25 51,67 0 1,15 3
0,16 27,67 0 1,19 3
0,19 33,25 0 1,29 3
0,16 7,92 1 1,67 1
0,17 13,42 0 1,34 3
0,45 48 1 1,85 1
0,34 14,67 1 1,80 1
0,23 35,33 0 1,31 3
0,18 15,50 1 1,59 1
0,11 12,08 0 1,34 2
0,21 9,92 0 1,43 1
0,19 8,83 0 1,59 1
0,21 6,83 1 1,78 1
0,13 10 0 1,28 1
0,38 38,42 1 1,63 3
0,27 13,83 0 1,63 1
0,28 15,33 0 1,43 2
0,31 38 1 1,70 1
0,19 13,08 0 1,56 1
0,13 26,25 0 1,07 3
0,14 63,08 1 1,34 3
0,19 10,25 1 1,27 3
0,38 37,25 1 1,63 3
0,28 37,33 0 1,47 3
0,34 20,25 1 1,41 2
0,36 40,33 1 1,44 3
0,26 42,83 0 1,43 2
0,29 46,08 1 1,74 2
0,19 10,25 0 1,56 1
0,20 12,08 1 1,76 1
0,29 30,58 1 1,39 3
0,23 44,67 1 1,45 3
我想知道群组之间的CSF是否不同。但我知道CSF受年龄，性别和tiv的影响很大。因此，我想绘制超出年龄，性别和tiv影响的群体之间的差异。为此，我需要为这三个协变量调整CSF。我的问题是：我怎样才能为每个人获得他/她调整后的CSF值？
我做了以下线性模型：
model1 <- lm(csf ~ age + sex + tiv,data=mri22))
并使用（残差+截距）的总和来获得不受年龄，性别和tiv影响的csf值：
csf_adj <- resid(model1) + coef(model1)[1]
然而，鉴于CSF不能为负，我得到许多没有意义的负值。所以我的问题是：如何获得针对所有三个协变量调整的良好CSF值？
答案 0 :(得分：0)
您可以像这样运行回归，它会告诉您组是否重要。在这里，它表明它不是：
df$group <- as.factor(df$group)
fit <- lm(csf ~ age + sex + tiv + group, data = df)
summary(fit)
Call:
lm(formula = csf ~ age + sex + tiv + group, data = df)
Residuals:
Min 1Q Median 3Q Max
-0.12429 -0.04760 -0.00306 0.01967 0.34004
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -0.155845 0.147860 -1.054 0.3000
age 0.002895 0.001539 1.881 0.0694 .
sex 0.019926 0.036502 0.546 0.5891
tiv 0.237891 0.097655 2.436 0.0208 *
group2 -0.037555 0.040104 -0.936 0.3563
group3 -0.013844 0.051717 -0.268 0.7907
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.0874 on 31 degrees of freedom
Multiple R-squared: 0.4342, Adjusted R-squared: 0.3429
F-statistic: 4.757 on 5 and 31 DF, p-value: 0.00243
答案 1 :(得分：0)
正如@Gopala所说，显然在拦截中没有组的影响。 对响应（系数）也没有影响。你可以在情节和统计测试中看到这一点。
mri22$group <- as.factor(mri22$group)
plot(mri22)
plot(csf~group,data=mri22,col=mri22$group)
plot(csf~age,data=mri22,col=mri22$group)
plot(csf~sex,data=mri22,col=mri22$group)
plot(csf~tiv,data=mri22,col=mri22$group)
model1 <- lm(csf ~ age + sex + tiv,data=mri22)
summary(model1)
model2 <- lm(csf ~ 0+age + sex + tiv+group,data=mri22)
summary(model2)
model3 <- lm(csf ~ 0+age*I(group) + sex + tiv,data=mri22)
summary(model3)
model4 <- lm(csf ~ 0+age*I(group) + sex*I(group) + tiv*I(group),data=mri22)
summary(model4)
Coefficients:
Estimate Std. Error t value Pr(>|t|)
age 0.0025507 0.0020500 1.244 0.2208
I(group)1 -0.1902470 0.2174566 -0.875 0.3870
I(group)2 -0.0076027 0.2224419 -0.034 0.9729
I(group)3 -0.2303957 0.1993927 -1.155 0.2549
sex 0.0208069 0.0480609 0.433 0.6675
tiv 0.2552315 0.1428288 1.787 0.0817 .
age:I(group)2 -0.0002252 0.0030392 -0.074 0.9413
age:I(group)3 -0.0021075 0.0026656 -0.791 0.4339
I(group)2:sex -0.0048219 0.0790885 -0.061 0.9517
I(group)3:sex -0.0014738 0.0711362 -0.021 0.9836
I(group)2:tiv -0.1307945 0.2153850 -0.607 0.5472
I(group)3:tiv 0.0796898 0.2143078 0.372 0.7120
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
答案 2 :(得分：0)
虽然为时已晚。.
您的模型的csf线性取决于年龄，性别和tiv。这应该解释一定百分比的数据差异。剩余的方差百分比将在残差中。
Csf = a.age + b.sex + c.tiv + d是模型。 如果r是残差，那么， 根据模型预测的csf为a.age + b.sex + c.tiv + d， 而观察到的csf（您拥有的数据）是a.age + b.sex + c.tiv + d + r。
现在，如果您想控制年龄，性别和tiv，请以其相应的方式替换个人。例如， 调整后的icv = a。（年龄的平均值）+ b。（性别的平均值）+ c。（tiv的平均值）+ d + r。
现在，此调整后的csf会因年龄，性别或tiv以外的其他因素而有所差异。