含虚拟变量乘法的回归：两种建模方法差异及修正咨询

核心差异说明 #

• 方法1：仅基于Country=="USA"的3个样本，拟合Salary对Variable1的线性回归，模型形式为 Salary = β₀ + β₁*Variable1，所有参数仅由美国样本计算得出。
• 方法2：纳入全部6个样本，用I(Variable1*Dummy_USA)作为单一自变量。由于非美国样本的Dummy_USA=0，乘积项值为0，此时模型实际形式为：
  • 美国样本：Salary = β₀ + β₁*Variable1
  • 非美国样本：Salary = β₀
    非美国样本会参与截距项β₀的拟合，整个模型基于6个样本估计，和方法1的结果完全不同。你的理解是正确的，方法2确实用到了全部6个样本。

修正方案 #

如果想通过I()函数实现和方法1完全一致的效果（仅用美国样本拟合Salary~Variable1），可以用以下两种方式：

方式1：过滤样本后使用I() #

直接保留方法1的过滤逻辑，若只是验证I()的用法，可写成：

summary(lm(Salary~I(Variable1), df%>% filter(Country=="USA")))

注：此处I()其实是多余的，单变量回归无需用I()屏蔽语法，直接写Salary~Variable1即可。

方式2：构造变量强制非美国样本不影响系数 #

若不想过滤数据，可通过公式构造让非美国样本不参与Variable1的系数估计：

summary(lm(Salary~Dummy_USA + I(Variable1*Dummy_USA) - 1, df))

该模型中：

• 美国样本的拟合式为 Salary = β₁ + β₂*Variable1
• 非美国样本的拟合式为 Salary = 0，这类样本会产生大残差，但Variable1的系数仅由美国样本决定。不过这种方式不如直接过滤样本直观，更推荐第一种方案。

补充：R公式语法中，~a*b会自动展开为~a + b + a:b（主效应+交互项），而I(a*b)的作用是屏蔽公式的特殊解析，仅计算变量的算术乘积作为单一自变量。

内容的提问来源于stack exchange，提问作者Lohengrin