R语言在回归分析中如何处理分类/因子变量？

一、回归场景下的基础用法 #

在R里做回归（不管是线性回归lm()还是广义线性回归glm()），分类变量必须先转成**因子（factor）**类型——直接把字符串或整数分类变量丢进公式的话，要么被当成字符向量无法处理，要么被误判为连续变量，结果完全跑偏。

举个线性回归的例子：

# 造点测试数据
set.seed(123)
df <- data.frame(
  y = rnorm(100),
  group = sample(c("对照组", "处理组1", "处理组2"), 100, replace = TRUE)
)
# 把分类变量转成因子
df$group <- factor(df$group)
# 拟合回归模型
model <- lm(y ~ group, data = df)
summary(model)

运行后你会看到，模型自动生成了两个虚拟变量，对应除参考组外的其他水平。

二、核心处理机制：不止独热编码 #

R默认对因子采用虚拟编码（dummy coding）——选一个水平作为参考组，剩下的每个水平生成一个0/1虚拟变量，系数代表该水平与参考组的均值差异。但这只是默认选项，R支持多种编码策略：

• 独热编码（One-hot）：可以用model.matrix()生成全量虚拟变量，但直接丢进回归会触发多重共线性（因为所有虚拟变量的和恒为1），所以通常要手动删掉一个水平。比如：

# 生成全量独热编码矩阵
one_hot <- model.matrix(~ group - 1, data = df)
# 手动去掉一个水平后再做回归
model_onehot <- lm(y ~ one_hot[, -1], data = df)

不过这种方式在常规回归里很少用，因为虚拟编码已经满足需求。

• 效应编码（Effect Coding）：也叫偏差编码，每个水平的系数代表该组均值与所有组总均值的偏差。用contr.sum()设置：

contrasts(df$group) <- contr.sum(3)
model_effect <- lm(y ~ group, data = df)
summary(model_effect)

• Helmert编码：比较当前组与前面所有组的均值之和，适合需要递进对比的场景：

contrasts(df$group) <- contr.helmert(3)
model_helmert <- lm(y ~ group, data = df)
summary(model_helmert)

• 多项式编码：针对有序分类变量（比如"低/中/高"），可以捕捉线性、二次等趋势，用contr.poly()：

# 先把因子设为有序
df$ord_group <- factor(df$group, ordered = TRUE, levels = c("对照组", "处理组1", "处理组2"))
contrasts(df$ord_group) <- contr.poly(3)
model_poly <- lm(y ~ ord_group, data = df)
summary(model_poly)

三、实用注意事项 #

• 参考组可以手动指定：用factor(df$group, levels = c("处理组1", "对照组", "处理组2"))就能把"处理组1"设为参考组，系数会变成其他组相对于它的差异。
• 无序因子和有序因子的区别：有序因子（ordered = TRUE）默认会用多项式编码，而无序因子用虚拟编码，按需选择即可。
• 广义线性回归（比如逻辑回归glm(family = binomial)）的处理逻辑和线性回归完全一致，都是基于因子的编码规则生成变量。

内容的提问来源于stack exchange，提问作者CutePoison