R 拟合线性模型

我有一个数据框，看起来像

> t
          Institution Subject Class       ML1     ML1SD
aPhysics0           A Physics     0 0.8730469 0.3329205
aPhysics1           A Physics     1 0.8471074 0.3598839
aPhysics2           A Physics     2 0.8593750 0.3476343
aPhysics3           A Physics     3 0.8875000 0.3159806
aPhysics4           A Physics     4 0.7962963 0.4027512

我想对

ML1

和

Class

拟合一个线性函数，但是当我调用

> lm(ML1 ~ Class, data=t)

我得到：

Call:
lm(formula = ML1 ~ Class, data = t)

Coefficients:
(Intercept)       Class1       Class2       Class3       Class4  
    0.87305     -0.02594     -0.01367      0.01445     -0.07675  

我真的不明白，因为它似乎为

类

的每个值提供了多个梯度值，但有5个

类

值（0-4）。但我想要的是一个单截距和一个梯度值

另外，当我使用

weights=1/ML1SD^2

调用

lm

时，它不会更改任何值

---

我做错了什么？

Class

被视为

到
lm
的分类变量。我想你的
类
是一个因素

回归结果是正确的，因为估计值对应于4类。这是因为，默认情况下，第一个级别（
0
，在您的情况下）被视为参考级别，并且您获得的所有估计都是关于参考级别的。也就是说，
mean（Class1）-mean（Class0）
等于
-0.02594

如果您不希望在
类上使用分类变量，并且希望将其建模为连续变量，则必须通过执行以下操作将
因子
转换为
数值
（或
整数
）类型：
df$Class | t |）
#（截距）0.39256 0.07148 5.492 0.000914***
#系数（y）2-0.09999 0.13687-0.731 0.488798
#系数（y）3-0.14433 0.15983-0.903 0.396528
这是您正在建模的完整数据集吗？每个等级只有一个观察值？试试
lm（ML1~as.numeric（as.character（class）），data=t）
，但是你确定
class
是一个比例标度吗？对于你的体重，ML1SD是多少？@alexwhan这些是~200的平均值observations@agstudy它们是平均值的标准偏差
> lm(ML1 ~ Class, data=df)

Call:
lm(formula = ML1 ~ Class, data = df)

Coefficients:
(Intercept)        Class  
    0.87529     -0.01131  

summary( ML1 ~ factor(Class), data = df)

set.seed(45)
# meaningless data
df <- data.frame(x=runif(10), y=rep(1:3, c(4,3,3)))

summary(lm(x ~ factor(y), data=df))
# without weights 
# Coefficients:
#             Estimate Std. Error t value Pr(>|t|)   
# (Intercept)  0.39256    0.09481   4.141  0.00435 **
# factor(y)2  -0.09999    0.14482  -0.690  0.51216   
# factor(y)3  -0.14433    0.14482  -0.997  0.35214   


summary(lm(x ~ factor(y), data=df, weights=1/y))
# with weights
# Coefficients:
#             Estimate Std. Error t value Pr(>|t|)    
# (Intercept)  0.39256    0.07148   5.492 0.000914 ***
# factor(y)2  -0.09999    0.13687  -0.731 0.488798    
# factor(y)3  -0.14433    0.15983  -0.903 0.396528