如何将R语言lm()函数默认p值从0.05修改为0.01？

首先明确：lm()函数本身没有内置的显著性水平参数，我们常说的0.05只是统计检验里通用的默认判断阈值，并非lm()的设定。p.adjust()用于校正多重检验的p值，和改变显著性判断阈值是不同需求，所以它解决不了你的问题。

下面是几种可行的处理方式：

1. 手动基于0.01阈值解读结果 #

继续用lm()即可，在分析结果时自行把判断标准换成0.01。比如提取系数表后筛选符合阈值的变量：

# 拟合多元线性回归
model <- lm(y ~ x1 + x2 + x3, data = your_data)
# 提取包含p值的系数汇总表
coef_summary <- summary(model)$coefficients
# 筛选p值小于0.01的变量
significant_vars <- coef_summary[coef_summary[, 4] < 0.01, ]
print(significant_vars)

2. 自动基于0.01阈值筛选变量的工具 #

如果需要函数自动按0.01阈值筛选变量，可使用这些方法：

• 逐步回归：用step()配合lm()，通过k参数对应0.01显著性水平的卡方临界值（约6.635）：

full_model <- lm(y ~ x1 + x2 + x3, data = your_data)
# 设定k值对应0.01的显著性检验阈值
stepwise_model <- step(full_model, k = qchisq(0.99, 1))
summary(stepwise_model)

• 正则化回归（glmnet包）：如果是变量筛选需求，LASSO/Ridge回归可通过惩罚项控制变量入选的严格程度，间接实现类似0.01阈值的效果：

library(glmnet)
# 转换为矩阵格式输入
x_matrix <- model.matrix(y ~ x1 + x2 + x3 - 1, data = your_data)
y_vector <- your_data$y
# 拟合LASSO回归
lasso_fit <- glmnet(x_matrix, y_vector, alpha = 1)
# 交叉验证选择最优惩罚系数
cv_lasso <- cv.glmnet(x_matrix, y_vector, alpha = 1)
# 提取系数结果
predict(lasso_fit, s = cv_lasso$lambda.min, type = "coefficients")

3. 自定义结果中的显著性标注 #

如果想在输出结果时直接显示基于0.01阈值的显著性符号，可手动修改系数表：

library(dplyr)
model <- lm(y ~ x1 + x2 + x3, data = your_data)
coef_table <- as.data.frame(summary(model)$coefficients)
# 自定义显著性符号：***对应p<0.01，其余按需添加
coef_table$significance <- case_when(
  coef_table$Pr...t.. < 0.01 ~ "***",
  coef_table$Pr...t.. < 0.05 ~ "**",
  coef_table$Pr...t.. < 0.1 ~ "*",
  TRUE ~ ""
)
print(coef_table)

内容的提问来源于stack exchange，提问作者Coral Rivell