R 线性模型中删除截距后的显著值变化

我实施了一个带截距和不带截距的线性回归：

TotalReview ~ Number_of_files + LOC

使用intercept，我得到以下输出，其中

文件数\u

变量是有效的：

Coefficients:
                  Estimate Std. Error t value Pr(>|t|)   
(Intercept)     -5.279e+02  1.114e+02  -4.740  0.00515 **
LOC              7.045e-04  2.260e-03   0.312  0.76778   
Number_of_files  1.929e+00  6.026e-01   3.202  0.02395 *

Coefficients:
                 Estimate Std. Error t value Pr(>|t|)  
Number_of_files -0.760434   0.433852  -1.753   0.1302  
LOC              0.008528   0.003302   2.582   0.0416 *

如果没有截距，我会得到一个非常不同的输出，

LOC

突然变得非常重要：

Coefficients:
                  Estimate Std. Error t value Pr(>|t|)   
(Intercept)     -5.279e+02  1.114e+02  -4.740  0.00515 **
LOC              7.045e-04  2.260e-03   0.312  0.76778   
Number_of_files  1.929e+00  6.026e-01   3.202  0.02395 *

Coefficients:
                 Estimate Std. Error t value Pr(>|t|)  
Number_of_files -0.760434   0.433852  -1.753   0.1302  
LOC              0.008528   0.003302   2.582   0.0416 *

---

为什么截距被删除后，我的变量的重要性从

Number\u of_files

变为

LOC

？

直觉上，回归所做的是通过数据点云以“最佳可能的方式”拟合直线。回归输出中的系数是这条直线的斜率。如果斜率（系数）为零，则（根据回归逻辑）因变量

y

和自变量

x

之间没有关系，即系数将不重要

当您决定从拟合线中删除截距时，线的坡度将发生变化，以尝试通过数据点云拟合尽可能最佳的线。你所看到的正是：

LOC

和

Number\u文件的系数发生了巨大的变化

在下图中，您可以看到只有一个自变量的情况下的影响（例如，仅
LOC
）。如您所见，蓝线的斜率（无截距）比红线的斜率（有截距）陡峭得多


最后，除非你有很好的理由说明你的模型不应该包含截距，否则你应该保留截距。
非常感谢。是的，你是对的。我应该保持拦截。但令人惊讶的是，如果我删除了截距，那么预测将更加准确，而不是保留截距。多重R平方值0.939英寸（带截距）和0.9928英寸（不带截距）。这就是为什么我不知道我是否应该保持截取？你可以查看这个答案，了解更多信息。我投票结束这个问题，因为这是一个统计问题，而不是编程问题。