使用$运算符与dplyr::mutate生成结果不一致的技术咨询

问题重现 #

用户使用两种方式计算中心化后的sum_lag.gmc，后续运行lme模型得到的系数不一致：

写法1：$运算符赋值 #

Data_filtered_0 <- Data_filtered_0 %>% dplyr::mutate(sum_lag = lag(sum, n = 1, default = NA))
Data_filtered_0$sum_lag.gmc <- Data_filtered_0$sum_lag - mean(Data_filtered_0$sum_lag, na.rm=T)

写法2：连续使用dplyr::mutate #

Data_filtered_0 <- Data_filtered_0 %>% 
  dplyr::mutate(sum_lag = lag(sum, n = 1, default = NA)) %>%
  dplyr::mutate(sum_lag.gmc = sum_lag - mean(sum_lag, na.rm=T))

模型代码（注：代码中存在变量名笔误tres_rnt和res_rnt，需确认是否为输入错误）：

tres_rnt <- lme(sum ~ sum_lag.gmc,
               random =  ~ sum_lag.gmc | accountId,
               data = Data_filtered_0, 
               na.action="na.exclude")
Coefficients <- as.data.frame(coef(res_rnt), col.names=NULL)
Coefficients <- tibble::rownames_to_column(Coefficients, "accountId")

核心原因：分组上下文的继承 #

最可能的差异来源是**Data_filtered_0是否为分组数据框（grouped_df）**：

• 写法1中，$运算符会直接忽略数据的分组属性，mean(Data_filtered_0$sum_lag, na.rm=T)计算的是整个数据集的全局均值，最终sum_lag.gmc是全局中心化的结果。
• 写法2中，dplyr的链式操作会继承之前的分组上下文（如果Data_filtered_0是通过group_by(accountId)等操作分组的），此时mean(sum_lag, na.rm=T)会自动按每个分组计算均值，最终sum_lag.gmc是分组内中心化的结果。

两种中心化方式的结果完全不同，直接导致后续lme模型的系数差异。

验证与解决方法 #

1. 验证分组状态
   运行以下代码检查数据是否为分组数据框：

   is.grouped_df(Data_filtered_0)
   

   如果返回TRUE，即可确认是分组导致的差异。

2. 统一处理逻辑

   • 若需要全局中心化，写法2中需显式取消分组：

     Data_filtered_0 <- Data_filtered_0 %>% 
       dplyr::mutate(sum_lag = lag(sum, n = 1, default = NA)) %>%
       dplyr::ungroup() %>% # 取消分组，确保mean计算全局均值
       dplyr::mutate(sum_lag.gmc = sum_lag - mean(sum_lag, na.rm=T))
     

   • 若需要分组内中心化，写法1需改为分组计算：

     Data_filtered_0 <- Data_filtered_0 %>% 
       dplyr::mutate(sum_lag = lag(sum, n = 1, default = NA)) %>%
       dplyr::group_by(accountId) %>%
       dplyr::mutate(sum_lag.gmc = sum_lag - mean(sum_lag, na.rm=T)) %>%
       dplyr::ungroup()
     

内容的提问来源于stack exchange，提问作者user21579413