在带有分类变量的r输出中使用lm（）的多元线性回归不完整？

我正在处理这个数据集。有一个名为'num.of.doors'的分类变量，它可以是（2，4），这给我带来了麻烦

当我运行

lm（公式=价格~马力+num.of.doors，数据=train.sample）

预测价格时，输出为：

调用：lm（公式=价格~马力+门数，数据= 列车（样本）

系数： （截距）门的马力数两个
-4006.5 174.1-1856.2

---

但我想看看四扇门的门数系数。如何做到这一点？

如果门数只有两个值（“两个”和“四”），则此模型中的“四”系数为0

你的公式是price=-4006.6+174.1（马力）-1856.2（门数=2）

因此，如果汽车有四个车门，您的价格仅为： 价格=-4006.6+174.1*马力

---

这是因为变量是分类的。它可以被解释为“如果汽车有两个门而不是四个门，我的模型估计价格将比一辆四门汽车低1856.20。”

我认为你的问题是因为当你用一个分类变量调整线性回归时，其中一个类别将被用作“参考”，其值将被表示（作为一部分）在“拦截”中

因此，要查看“四扇门”的系数，您应该更改变量的基准引用。您可以通过以下方式执行此操作：

train_sample$num.of.doors = relevel(train_sample$num.of.doors, ref=2)

---

请记住，通过此更改，“两扇门”现在将成为基本参考。

有两个选项：

1-将num.of.doors转换为一个因子，并重新编码以使两扇门成为基准标高。运行lm命令后，它将在线性回归中显示四个门的系数。这可以通过以下方式实现：

library(tidyverse)
new_train_sample <- train.sample %>%
                  mutate(num.of.doors = factor(num.of.doors, levels = c("two", "four")))

lm_1 <- lm(formula = price ~ horsepower + num.of.doors, data = new_train_sample)
summary(lm_1)

库（tidyverse）
新列车样本%
变异（门的数量=因子（门的数量，级别=c（“二”，“四”））
lm_1 lm给出了边际系数；i、 e.在相同马力下，两门车的成本比四门车低1856.2美元。对于分类变量，通常会降低一个级别（因为系数是线性相关的）
lm_origin <- lm(formula = price ~ 0 + horsepower + num.of.doors, data = train.sample)
summary(lm_origin)