简单线性回归lm函数R

我读过一些关于R中lm（）函数的教程，对于这个函数如何处理连续或离散预测值，我有点困惑。在中，对于连续标签，系数表示线性回归的截距和斜率

---

这很清楚，但是如果现在我有一个性别类别，其中的值是0或1，那么lm（）函数是如何工作的。函数是否应用了逻辑回归，或者仍然可以这样使用函数。

您的问题不清楚您要寻找的答案。是的，您可以使用带有分类变量的

lm

函数。结果方程是两个线性拟合的和

最好用一个例子来说明。使用虚构数据：

x <- seq(1:10)
y1<- x+rnorm(10, 0, 0.1)
y2<- 14-x+rnorm(10, 0, 0.1)
f<-rep(c("A", "B"), each=10)
df<-data.frame(x=c(x,x), y=c(y1, y2), f)

#Model 1
print(lm(y1~x))

#   lm(formula = y1 ~ x)
# 
# Coefficients:
# (Intercept)            x  
#      0.1703       0.9754 


#Model 2
model<-lm(y~x*f, data=df)
print(model)

#   lm(formula = y ~ x * f, data = df)
# 
# Coefficients:
#(Intercept)            x           fB         x:fB  
#     0.1703       0.9754      13.7622      -1.9709  


#Model 3
print(lm(y2~x))

#   lm(formula = y2 ~ x)
# 
# Coefficients:
# (Intercept)            x  
#     13.9325      -0.9955 

---

x添加另一个变量的公式是
ROLL~UNEM+gender
，尽管您可能希望将性别作为一个因素，因为您将其视为具有离散级别。对于逻辑回归，您将使用
glm
和
family=binomial
。此外，您正在阅读的R系列教程的下一个条目是关于多元线性回归的，因此它将教您如何使用多个预测变量。一个有用的阅读：添加到camille的注释中，逻辑回归用于预测二元/分类结果，因此这不是您想要的。@Babas我的理解是您希望
gender
成为“预测者”而不是“结果”变量。对于前者，您只需将
+性别
添加到您的
lm
中，将其作为预测因子。对于后者，您需要
glm
，并将
gender
作为“Y”变量，如alistaire所述。