R 是否有任何方法适合“glm（）”，以便包括所有级别（即无参考级别）？

以代码为例：

x <- read.table("http://data.princeton.edu/wws509/datasets/cuse.dat",
                header=TRUE)[,1:2]

fit <- glm(education ~ age, family="binomial", data=x)

summary(fit)

其中age有4个级别：您需要使用model.matrix函数将age变量中的因子转换为二进制变量

见答案

编辑： 以下是一个例子：

x <- read.table("http://data.princeton.edu/wws509/datasets/cuse.dat",
                header=TRUE)[,1:2]
binary_variables <- model.matrix(~ x$age -1, x)
fit <- glm(x$education ~ binary_variables, family="binomial")
summary(fit)

您需要使用model.matrix函数将年龄变量中的因子转换为二进制变量

见答案

编辑： 以下是一个例子：

x <- read.table("http://data.princeton.edu/wws509/datasets/cuse.dat",
                header=TRUE)[,1:2]
binary_variables <- model.matrix(~ x$age -1, x)
fit <- glm(x$education ~ binary_variables, family="binomial")
summary(fit)

请参见？公式，具体来说，在您的型号规格中包含+0的含义

# Sample data - explanatory variable (continuous)
x <- runif( 100 )
# explanatory data, factor with 3 levels
f <- as.factor( sample( 3 , 100 , TRUE ) )
# outcome data
y <- runif( 100 ) + rnorm(100) + rnorm( 100 , mean = c(1,3,6) )

# model without intercept
summary( glm( y ~ x + f + 0 ) )
#Call:
#glm(formula = y ~ x + f + 0)

#Deviance Residuals: 
#    Min       1Q   Median       3Q      Max  
#-5.7316  -1.8923   0.0195   1.8918   5.9520  

#Coefficients:
#   Estimate Std. Error t value Pr(>|t|)    
#x    0.3216     0.9772   0.329    0.743    
#f1   3.4493     0.6823   5.055 2.06e-06 ***
#f2   3.6349     0.6959   5.223 1.02e-06 ***
#f3   3.1962     0.6598   4.844 4.87e-06 ***

请参见？公式，具体来说，在您的型号规格中包含+0的含义

# Sample data - explanatory variable (continuous)
x <- runif( 100 )
# explanatory data, factor with 3 levels
f <- as.factor( sample( 3 , 100 , TRUE ) )
# outcome data
y <- runif( 100 ) + rnorm(100) + rnorm( 100 , mean = c(1,3,6) )

# model without intercept
summary( glm( y ~ x + f + 0 ) )
#Call:
#glm(formula = y ~ x + f + 0)

#Deviance Residuals: 
#    Min       1Q   Median       3Q      Max  
#-5.7316  -1.8923   0.0195   1.8918   5.9520  

#Coefficients:
#   Estimate Std. Error t value Pr(>|t|)    
#x    0.3216     0.9772   0.329    0.743    
#f1   3.4493     0.6823   5.055 2.06e-06 ***
#f2   3.6349     0.6959   5.223 1.02e-06 ***
#f3   3.1962     0.6598   4.844 4.87e-06 ***

---

---

我的理解是，参考级别的系数仅为0。您正在寻找一种称为效果编码的东西。看到SAS真的输出截距和所有四个级别了吗？当只有N个级别时，使用N+1参数对模型进行参数化实际上没有意义，但您可以使用lsmeans包等工具输出所有四个级别的模型预测。显示相应模型的SAS输出可能会有所帮助，以说明您需要什么。我的理解是，参考级别的系数仅为0。您正在寻找一种称为效果编码的方法。看到SAS真的输出截距和所有四个级别了吗？当只有N个级别时，使用N+1参数对模型进行参数化实际上没有意义，但您可以使用lsmeans包等工具输出所有四个级别的模型预测。显示相应模型的SAS输出可能会有帮助，说明您想要什么。那么，如果包含所有级别，截距会是什么？在运行+0和+1时，即使用intercept时，请看参数的差异……我想我没有看到使用+0进行此操作，我认为通常的方法是-1。@Spacedman，我再次向您推荐？公式！没有截距的模型也可以指定为y~x+0或y~0+x：-是的，我没有质疑它的正确性，只是质疑它的频率！FWIW x-0不同于x+0，这与我的数学家不一致，任何其他常数都会产生错误@太空人好，好！我自己更喜欢+0，因为我认为它是+0*b0，也就是说，模型必须穿过原点，所以如果这有意义的话，考虑所有其他参数？那么，如果你包括所有级别，截距会是多少？在运行+0和+1时，即使用intercept时，请看参数的差异……我想我没有看到使用+0进行此操作，我认为通常的方法是-1。@Spacedman，我再次向您推荐？公式！没有截距的模型也可以指定为y~x+0或y~0+x：-是的，我没有质疑它的正确性，只是质疑它的频率！FWIW x-0不同于x+0，这与我的数学家不一致，任何其他常数都会产生错误@太空人好，好！我自己更喜欢+0，因为我认为它是+0*b0，也就是说，模型必须通过原点运行，因此如果有意义的话，可以考虑所有其他参数？glm在使用因子变量时仍然会这样做。我看不出这有什么帮助。只需在模型规范中包含-1或+0，这将自动处理。你完全正确，我不知道glm会这么做。请原谅我的无知。在某些情况下，知道如何这样做仍然很有用，例如，有时你想从模型中删除派生的输入变量，而这种方式很可能无法通过公式指定…@TheLoverter4865抱歉，这并不是故意让人觉得粗鲁！我只是觉得你应该意识到，为了方便起见，这是不必要的，但是Ben是绝对正确的，有时候知道模型是如何“在引擎盖下”工作是很好的，这样你就明白了它的意思。因此，在这种情况下，它是有用的。@SimonO'Hanlon，我认为你错了，因为你的建议似乎没有包括OP想要的截距，而这个解决方案包括截距，tooglm在使用因子变量时无论如何都会这样做。我看不出这有什么帮助。只需在模型规范中包含-1或+0，这将自动处理。你完全正确，我不知道glm会这么做。请原谅我的无知。在某些情况下，知道如何这样做仍然很有用，例如，有时你想从模型中删除派生的输入变量，而这种方式很可能无法通过公式指定…@TheLoverter4865抱歉，这并不是故意让人觉得粗鲁！我只是觉得你应该意识到，为了方便起见，这是不必要的，但是Ben是绝对正确的，有时候知道模型是如何“在引擎盖下”工作是很好的，这样你就明白了它的意思。所以在这种情况下它是有用的。@SimonO'Hanlon，我认为你错了，因为你的建议似乎没有包括OP想要的截取，而这个解决方案也包括截取