关于含有序/无序因子的二项式GLM的三类技术疑问

1. 为何binomial族GLM可接受cbind(ncases,ncontrols)形式的响应变量？模型预测目标是什么？ #

• 这种输入格式对应分组二项式数据：ncases是每组中“事件发生”（这里指食道癌病例数）的样本量，ncontrols是每组中“事件未发生”（对照人数）的样本量。
• binomial族GLM的核心是建模事件发生的概率，这里的预测目标是：给定分组的年龄、饮酒量、吸烟量等变量，该组人群患食道癌的概率。R会自动将这两列转换为二项分布要求的(成功数, 总试验数)结构，总试验数即ncases + ncontrols。

2. summary(mod1)输出中，agegp.L、agegp.Q等变量后缀L、Q、C、^4、^5代表什么？ #

这些后缀是正交多项式对比的标识，当你将因子设为有序因子（ordered = TRUE）时，R默认会对因子水平做正交多项式分解：

• L：Linear（线性趋势），用于检验因子水平随顺序变化时，与响应变量的线性关联强度
• Q：Quadratic（二次趋势），检验是否存在曲线型的二次关联
• C：Cubic（三次趋势），检验三次曲线关联
• ^4、^5：对应四次、五次多项式趋势
  这种分解的目的是分析因子水平的顺序和响应变量之间的趋势关系，而非单纯的组间差异。

3. 为何agegp、alcgp、tobgp作为有序/无序因子时，模型系数存在差异？ #

核心原因是两种因子类型使用的对比策略完全不同：

• 无序因子（默认contr.treatment对比）：以因子的第一个水平为参照组，其余每个水平的系数代表该水平与参照组的对数优势比差值，聚焦于组间的直接差异。
• 有序因子（默认contr.poly对比）：采用正交多项式对比，系数对应的是线性、二次等趋势项的效应，描述的是因子水平随顺序变化时，与响应变量的整体趋势强度，而非组间差值。
  由于建模的目标和对比逻辑不同，两种情况下的系数含义、数值自然存在差异。

内容的提问来源于stack exchange，提问作者Nemo