R中含因子的多元线性回归预测问题：系数匹配错误排查

错误核心原因 #

R中lm()对因子的编码采用哑变量（虚拟变量）规则，而手动计算时错误地用as.integer()转换因子，二者逻辑完全不匹配：

1. 因子转整数逻辑：因子水平按字母序排序，你的A因子水平是-1和1，字母序下-1为第1水平（转整数后为1），1为第2水平（转整数后为2）。
2. lm的哑变量编码逻辑：二元因子默认以第一个水平（-1）为基准，仅为第二个水平（1）生成哑变量（取值0/1：A=-1时为0，A=1时为1）。模型中的as.factor(A)1系数代表A=1相对于基准的截距偏差，as.factor(A)1:X1代表A=1相对于基准的X1系数偏差。

手动计算直接用整数1/2乘以系数，完全违背了哑变量的0/1编码规则，导致结果偏差。

正确的手动计算方法 #

方法1：分情况计算（对应哑变量逻辑） #

根据A的取值分别套用公式：

• 当A=-1（基准水平）：
  拟合值 = Intercept + X1*X1系数 + X2*X2系数
• 当A=1：
  拟合值 = (Intercept + as.factor(A)1系数) + X1*(X1系数 + as.factor(A)1:X1系数) + X2*X2系数

以第1个观测（A=-1，X1=-0.6264538，X2=0.4874291）为例，代入模型系数（coef(mod)输出）：

(Intercept)=0.002383, X1=1.004306, X2=0.998762
拟合值 = 0.002383 + 1.004306*(-0.6264538) + 0.998762*(0.4874291) ≈ -0.2108

与predict()结果完全一致。

方法2：用设计矩阵计算（通用方法） #

直接生成lm()内部使用的设计矩阵，与系数矩阵相乘，这是最准确的方式：

# 生成前5个观测的设计矩阵
dm <- model.matrix(mod, data = mydata[1:5,])
# 手动计算拟合值
dm %*% coef(mod)

输出结果与predict()完全一致：

[,1]
1 -0.2107963
2  0.2664868
3 -0.4601201
4  2.5115522
5 -0.1143373

内容的提问来源于stack exchange，提问作者Phoebe