R语言中glm()用:与*设置交互项系数为何存在差异？

问题背景 #

你使用以下样本数据拟合Poisson回归：

dependent = c(1:10)
x1 = c(12:22)
x2 = as.factor(sample(c(0,1), 10, replace = TRUE))

分别运行两个模型：

# 模型1：包含主效应与交互项
glm(dependent~x1*x2,family = 'poisson')

# 模型2：仅包含交互项
glm(dependent~x1:x2,family = 'poisson')

得到的结果中，模型2显示x1:x20和x1:x21两个交互项系数，而模型1仅显示x1:x21，你疑惑是否操作有误。

原因解释 #

这不是操作错误，是R中公式语法与因子变量编码的正常表现：

1. 模型1 (x1*x2) 的逻辑 #

x1*x2是x1 + x2 + x1:x2的简写，模型同时包含主效应和交互项：

• x2是因子变量，R默认将x2=0设为参考水平
• x21代表x2=1组相对于参考组（x2=0）的主效应差异
• x1:x21代表x2=1组中x1的斜率与参考组（x2=0）的斜率差异
• 参考组的x1斜率直接由x1的系数（0.21209）给出，因此不需要单独显示x1:x20

2. 模型2 (x1:x2) 的逻辑 #

这个公式仅包含交互项，不包含任何主效应：

• R会为x2的每个因子水平单独拟合x1的斜率，因此会显示x1:x20（x2=0组的x1斜率）和x1:x21（x2=1组的x1斜率）
• 这种模型的解释性极差，且不符合常规统计建模逻辑（通常主效应是交互项的基础），除非有特殊假设，否则不建议使用

相关建议 #

• 优先选择x1*x2的模型：它的结果更易解释，x2=1组的x1斜率可通过x1系数 + x1:x21系数计算（即0.21209 - 0.03257 = 0.17952）
• 避免单独使用x1:x2的模型：缺少主效应的交互项模型不仅解释困难，还可能导致参数估计不稳定
• 可通过卡方检验比较两个模型的拟合优度：

  model1 <- glm(dependent~x1*x2,family = 'poisson')
  model2 <- glm(dependent~x1:x2,family = 'poisson')
  anova(model1, model2, test="Chisq")
  

  以此判断是否需要保留主效应

内容的提问来源于stack exchange，提问作者doraemon