如何在R中使用转换响应变量的线性回归模型中创建交互项？

我在R中创建了一个线性回归模型，其中包含以下交互项

lm.data <- lm(sharer_prob ~ sympathy + trust + fear + greed, na.action=NULL, data=data)

不幸的是，结果模型未能满足线性回归的四个假设中的三个。因此，我创建了一个新模型，将sharer_prob的logit与自变量进行回归，如下所示：

lmFGData=lm( data$sharer_prob ~ IX_fear * IX_greed )
lmFSData=lm( data$sharer_prob ~ IX_fear * IX_sympathy )
lmFTData=lm( data$sharer_prob ~ IX_fear * IX_trust )
lmGSData=lm( data$sharer_prob ~ IX_greed * IX_sympathy )
lmGTData=lm( data$sharer_prob ~ IX_greed * IX_trust )
lmTSData=lm( data$sharer_prob ~ IX_trust * IX_sympathy ) 

lm.Logitdata=lm(logit(sharer_prob, , ) ~ sympathy + trust + fear + greed, na.action=NULL, data=data)

如何创建回归交互变量对的表达式

• 选项A：使用相同的表达式，但更改名称
  表示每个新模型的对象
• 选项B：创建包含自变量的数据框 和转换后的响应变量，并在每个 表情
• 选项C：做点别的

非常感谢你能提供的任何帮助

---

Larry John

您可以在模型方程中提供交互项。例如：概要（lm（mpg~cyl+hp+wt+档位+档位*cyl，数据=mtcars））。这就是你想要的吗？我可能遗漏了什么。是的，这就是我在原始模型中所做的。问题是，我是否需要改变新模型中的数据来源，以解释这样一个事实，即不是拟合方程来计算sharr_prob，而是拟合方程来计算sharr_prob的logit？我以前没有用这种方式使用logit拟合。我使用glm（公式，族=‘二项式’，数据=数据）。该方法采用原始数据帧，并且做了正确的事情。是的，如果您的响应是二项式的，则该方法可以很好地工作。“我的不是。”拉里约翰，你能解释一下为什么要计算与结果变量的交互作用吗？当然，这是克朗马尔所谓的“比率谬误”的一个特例。建模者应该考虑输入回归器之间的相互作用，而不是输出。

lm.Logitdata=lm(logit(sharer_prob, , ) ~ sympathy + trust + fear + greed, na.action=NULL, data=data)