使用nest_by函数构建分组线性模型后，如何提取各组斜率并与全局模型斜率对比？

首先得指出你代码里的一个关键小错误：在mutate(model = list(lm(y ~ x, data = test_1)))这里，你用了整个test_1数据集来拟合每个组的模型，而不是每个组对应的data子集！这会导致所有分组的模型其实都是全局模型，完全没用到分组数据。先把这个修正过来：

# 修正后的分组模型拟合代码
model <- test_1 %>% 
  nest_by(Group) %>% 
  mutate(model = list(lm(y ~ x, data = data)))  # 这里用data而不是test_1

接下来分几步完成斜率提取和对比：

1. 提取每个分组模型的斜率 #

我们可以用broom包的tidy()函数来方便地提取模型的系数信息（包括斜率、标准误、p值等），比手动用coef()更规整：

library(broom)

# 提取每个分组的x系数（即斜率）
group_slopes <- model %>%
  # 把每个模型的结果转成整洁的表格
  mutate(tidy_model = list(tidy(model))) %>%
  # 展开表格
  unnest(tidy_model) %>%
  # 只保留x的系数（斜率）
  filter(term == "x") %>%
  # 保留需要的列
  select(Group, estimate, std.error, p.value)

运行后你会得到一个包含每个分组斜率估计值、标准误和p值的表格。

2. 提取全局模型的斜率 #

假设你已经拟合了test_2的全局模型，同样用broom来整理它的斜率：

# 假设你已经拟合了全局模型：
global_model <- lm(y ~ x, data = test_2)

# 提取全局斜率并标记分组为"Global"
global_slope <- tidy(global_model) %>%
  filter(term == "x") %>%
  select(estimate, std.error, p.value) %>%
  mutate(Group = "Global")

3. 合并对比斜率 #

现在把分组斜率和全局斜率合并，就能直观对比了：

library(dplyr)

# 合并两个数据集
slope_comparison <- bind_rows(group_slopes, global_slope)

# 打印对比结果
print(slope_comparison)

可视化对比（可选但推荐） #

用ggplot2画个图，能更直观看到各组斜率和全局斜率的差异：

library(ggplot2)

ggplot(slope_comparison, aes(x = Group, y = estimate)) +
  # 画斜率点
  geom_point(size = 3, color = "steelblue") +
  # 画95%置信区间
  geom_errorbar(aes(ymin = estimate - 1.96*std.error, ymax = estimate + 1.96*std.error), 
                width = 0.2, color = "darkgray") +
  labs(title = "Group Slopes vs Global Slope",
       y = "Slope Estimate",
       x = "Group") +
  theme_minimal()

4. 统计检验斜率差异（可选） #

如果想量化各组斜率和全局斜率是否有显著差异，可以把两个数据集合并后拟合带交互项的模型：

# 合并test_1和test_2，标记数据来源
combined_data <- test_1 %>%
  mutate(Data_Type = "Grouped") %>%
  bind_rows(test_2 %>% mutate(Data_Type = "Global", Group = "Global"))

# 拟合包含x和Group交互项的模型，检验各组斜率与全局的差异
interaction_model <- lm(y ~ x * Group, data = combined_data)
summary(interaction_model)

这个模型的交互项系数会告诉你每个分组的斜率和全局斜率的差异是否显著。

内容的提问来源于stack exchange，提问作者Francesco