我正在运行线性模型来研究所涉及的独立因素的重要性。 示例模型是：`
mymod1 <- lm(temp ~ bgrp+psex+tb,data=mydat)
summary(mymod1)`
我查看摘要以了解每个因素的重要性：
lm(formula = temp ~ bgrp + psex + tb, data = mydat)
Residuals:
Min 1Q Median 3Q Max
-5.6877 -0.2454 0.0768 0.3916 1.6561
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 37.324459 0.186081 200.581 < 2e-16 ***
bgrp 0.256794 0.066167 3.881 0.000115 ***
psex 0.144669 0.055140 2.624 0.008913 **
tb 0.019818 0.009342 2.121 0.034287 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.6888 on 621 degrees of freedom
(5 observations deleted due to missingness)
Multiple R-squared: 0.03675, Adjusted R-squared: 0.03209
F-statistic: 7.897 on 3 and 621 DF, p-value: 3.551e-05
现在，我想看一下bgrp（1和2）和psex（1和2）这两个级别的 solutions 。
如果你能帮助我，我将不胜感激。
提前感谢你，
Baz
编辑：
我运行了您建议的第一个模型并获得了以下内容：
mydat$bgrp <- as.factor(mydat$bgrp)
> summary(lm(temp ~ bgrp+psex+tb-1,data=mydat))
Call:
lm(formula = temp ~ bgrp + psex + tb - 1, data = apirt)
Residuals:
Min 1Q Median 3Q Max
-5.6877 -0.2454 0.0768 0.3916 1.6561
Coefficients:
Estimate Std. Error t value Pr(>|t|)
bgrp1 37.725922 0.135486 278.449 < 2e-16 ***
bgrp2 37.982716 0.129558 293.171 < 2e-16 ***
psex2 0.144669 0.055140 2.624 0.00891 **
tb 0.019818 0.009342 2.121 0.03429 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.6888 on 621 degrees of freedom
(5 observations deleted due to missingness)
Multiple R-squared: 0.9997, Adjusted R-squared: 0.9997
F-statistic: 4.788e+05 on 4 and 621 DF, p-value: < 2.2e-16
从上面的系数表中，bgrp1和bgrp2似乎有意义：bgrp1代表产仔数较大的母系，较轻的后代，导致后代的直肠温度较低（37.70摄氏度）。另一方面，bgrp2代表产仔数较小，后代较重的终端系，导致直肠温度较高（37.98摄氏度）。 我只是想知道，如果对psex1和psex2可以做同样的事情，但系数表中的内容可能是由于你之前所说的。
编辑： 嗨马克，
我尝试了你建议的两个选项，我可以看到bgrp1和psex1采用相同的值：
> mybgrp <- lm(formula = temp ~ bgrp+psex+tb-1, data = mydat)
> mybgrp
Call:
lm(formula = temp ~ bgrp + psex + tb - 1, data = mydat)
Coefficients:
bgrp1 bgrp2 psex2 tb
37.72592 37.98272 0.14467 0.01982
> summary(mybgrp)
Call:
lm(formula = temp ~ bgrp + psex + tb - 1, data = mydat)
Residuals:
Min 1Q Median 3Q Max
-5.6877 -0.2454 0.0768 0.3916 1.6561
Coefficients:
Estimate Std. Error t value Pr(>|t|)
bgrp1 37.725922 0.135486 278.449 < 2e-16 ***
bgrp2 37.982716 0.129558 293.171 < 2e-16 ***
psex2 0.144669 0.055140 2.624 0.00891 **
tb 0.019818 0.009342 2.121 0.03429 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.6888 on 621 degrees of freedom
(5 observations deleted due to missingness)
Multiple R-squared: 0.9997, Adjusted R-squared: 0.9997
F-statistic: 4.788e+05 on 4 and 621 DF, p-value: < 2.2e-16
> mypsex <- lm(formula = temp ~ psex+bgrp+tb-1, data = mydat)
> mypsex
Call:
lm(formula = temp ~ psex + bgrp + tb - 1, data = mydat)
Coefficients:
psex1 psex2 bgrp2 tb
37.72592 37.87059 0.25679 0.01982
> summary(mypsex)
Call:
lm(formula = temp ~ psex + bgrp + tb - 1, data = mydat)
Residuals:
Min 1Q Median 3Q Max
-5.6877 -0.2454 0.0768 0.3916 1.6561
Coefficients:
Estimate Std. Error t value Pr(>|t|)
psex1 37.725922 0.135486 278.449 < 2e-16 ***
psex2 37.870591 0.135908 278.649 < 2e-16 ***
bgrp2 0.256794 0.066167 3.881 0.000115 ***
tb 0.019818 0.009342 2.121 0.034287 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.6888 on 621 degrees of freedom
(5 observations deleted due to missingness)
Multiple R-squared: 0.9997, Adjusted R-squared: 0.9997
F-statistic: 4.788e+05 on 4 and 621 DF, p-value: < 2.2e-16
谢谢！
答案 0 :(得分：1)
如果变量只有两个等级（1对2），则与（0对1）相同，并且斜率是这两个等级之一。该变量的另一个级别包含在拦截术语中。
也许试试
lm(formula = temp ~ bgrp + psex + tb - 1 , data = mydat)
删除拦截并查看是否能为您提供所需内容。
然后，也许我不能正确理解你的问题。
编辑：
当我使用虚假数据并设置
时bgrp <- as.factor(bgrp)
psex <- as.factor(psex)
没有截距我得到2个因子之一的2个斜率。我相信R在第二个因子= 0时保持第二个斜率。
EDIT2：
此模型将为bgrp和psex的每个组合提供单独的斜率。该模型包括bgrp和psex之间的交互，然后删除截距和bgrp和psex主效应：
mymod2 <- lm(temp ~ bgrp + psex + bgrp * psex + tb - 1 - bgrp - psex)
EDIT3：
如果您习惯使用SAS并尝试在SAS和R中运行相同的分析，您可能会发现这两个程序最初没有返回相同的估计值。这可能是因为SAS和R默认为截距选择不同的因子水平。您可以更改R中截距的默认因子级别以匹配SAS使用的级别，然后您可能会发现两个程序都给出了相同的答案。
将以下R代码与此处的SAS输出进行比较：
http://support.sas.com/kb/38/384.html
SAS代码使用“解决方案”选项：
my.data <- matrix(c(
'A', 'F', 9, 25,
'A', 'F', 3, 19,
'A', 'F', 4, 18,
'A', 'F', 11, 28,
'A', 'F', 7, 23,
'A', 'M', 11, 27,
'A', 'M', 9, 24,
'A', 'M', 9, 25,
'A', 'M', 10, 28,
'A', 'M', 10, 26,
'D', 'F', 4, 37,
'D', 'F', 12, 54,
'D', 'F', 3, 33,
'D', 'F', 6, 41,
'D', 'F', 9, 47,
'D', 'M', 5, 36,
'D', 'M', 4, 36,
'D', 'M', 7, 40,
'D', 'M', 10, 46,
'D', 'M', 8, 42,
'G', 'F', 10, 70,
'G', 'F', 11, 75,
'G', 'F', 7, 60,
'G', 'F', 9, 69,
'G', 'F', 10, 71,
'G', 'M', 3, 47,
'G', 'M', 8, 60,
'G', 'M', 11, 70,
'G', 'M', 4, 49,
'G', 'M', 4, 50
), nrow = 30, byrow=T,
dimnames = list(NULL, c("drug","gender","x","y")));
my.data <- as.data.frame(my.data, stringsAsFactors=F)
my.data
my.data$y <- as.numeric(my.data$y)
my.data$x <- as.numeric(my.data$x)
my.data$drug <- as.factor(my.data$drug)
my.data$gender <- as.factor(my.data$gender)
str(my.data)
my.data$drug <- relevel(my.data$drug, ref="G")
my.data$gender <- relevel(my.data$gender, ref="M")
my.mod1 <- lm(my.data$y ~ my.data$drug)
my.mod1
summary(my.mod1)
my.mod2 <- lm(my.data$y ~ my.data$drug-1)
my.mod2
summary(my.mod2)
my.mod3 <- lm(my.data$y ~ my.data$drug + my.data$gender +
my.data$drug * my.data$gender )
my.mod3
summary(my.mod3)
my.mod4 <- lm(my.data$y ~ my.data$drug + my.data$gender +
my.data$drug * my.data$gender - 1 )
my.mod4
summary(my.mod4)
my.mod5 <- lm(my.data$y ~ my.data$drug + my.data$x +
my.data$drug * my.data$x )
my.mod5
summary(my.mod5)
my.mod6 <- lm(my.data$y ~ my.data$drug + my.data$x +
my.data$drug * my.data$x - 1 )
my.mod6
summary(my.mod6)