简单回归:
这是一个微妙的差别,但肯定存在着差异。你可以使用 summary
命令轻松可视化出差异。我将使用 iris
数据集,因为它已经在 R 中了。首先进行简单线性回归:
summary(lm(formula = Sepal.Width ~ Sepal.Length,
data = iris))
这将仅显示一个自变量Sepal.Length对因变量Sepal.Width的影响:
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 3.41895 0.25356 13.48 <2e-16 ***
Sepal.Length -0.06188 0.04297 -1.44 0.152
交互作用和主效应
对于仅包含*
输入的下一个方程:
# Interaction and main effects:
summary(lm(formula = Sepal.Width ~ Sepal.Length*Petal.Length,
data = iris))
它给出了每个自变量/预测变量的主要影响,同时也给出了它们之间的交互作用。现在您可以在系数下看到它们的所有列出:
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.51011 0.64336 2.347 0.020257 *
Sepal.Length 0.46940 0.12954 3.624 0.000400 ***
Petal.Length -0.42907 0.11832 -3.626 0.000397 ***
Sepal.Length:Petal.Length 0.01795 0.02186 0.821 0.413063
仅有交互
对于 :
输入,它只给我们仅有交互,没有其他内容:
summary(lm(formula = Sepal.Width ~ Sepal.Length:Petal.Length,
data = iris))
您可以在下面看到:
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 3.31473 0.06852 48.375 < 2e-16 ***
Sepal.Length:Petal.Length -0.01108 0.00257 -4.312 2.93e-05 ***
手动添加交互作用和效应
最后,如果您要输入交互作用并手动添加主效应,您只需再次使用:
输入,然后使用+
添加一个主效应:
summary(lm(formula = Sepal.Width ~ Sepal.Length + Sepal.Length:Petal.Length,
data = iris))
如下所示:
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -0.299034 0.422673 -0.707 0.48
Sepal.Length 0.807410 0.093603 8.626 9.44e-15 ***
Sepal.Length:Petal.Length -0.058626 0.005899 -9.939 < 2e-16 ***
需要注意的是,当我现在使用+
和*
时,它仍然只给出交互和主效应,而没有进行说明。
summary(lm(formula = Sepal.Width ~ Sepal.Length + Sepal.Length*Petal.Length,
data = iris))
从某种意义上来说,它实际上忽略了加号:
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.51011 0.64336 2.347 0.020257 *
Sepal.Length 0.46940 0.12954 3.624 0.000400 ***
Petal.Length -0.42907 0.11832 -3.626 0.000397 ***
Sepal.Length:Petal.Length 0.01795 0.02186 0.821 0.413063