如何用R的sapply()函数查看自变量增1个标准差时因变量的变化

核心逻辑 #

在简单线性回归模型 y = a + b₁*x 中，当自变量x增加1个标准差时，因变量y的变化量等于回归系数b₁乘以x的标准差，即 Δy = b₁ * sd(x)。

实现步骤（含sapply用法） #

以下用模拟数据演示完整流程：

1. 生成模拟数据

set.seed(123) # 固定随机种子保证结果可复现
x <- rnorm(100, mean = 5, sd = 2)
y <- 3 + 1.5*x + rnorm(100, sd = 1)

2. 拟合线性回归模型

model <- lm(y ~ x)

3. 定义计算函数
   先写一个函数，输入变量名、回归模型和数据集，返回该变量增1个标准差时y的变化量：

sd_effect <- function(var, mod, dat) {
  coef_val <- coef(mod)[[var]] # 提取对应变量的回归系数
  var_sd <- sd(dat[[var]])     # 提取变量的标准差
  coef_val * var_sd            # 计算变化量
}

4. 用sapply执行计算
   sapply可以批量处理变量（这里以单个变量x为例，也可传入多个变量名向量）：

# 传入变量名，调用函数
result <- sapply("x", sd_effect, mod = model, dat = data.frame(x, y))
print(result)

运行后会输出类似x=3.02的结果，意思是x每增加1个标准差，y平均增加约3.02个单位。

扩展：多自变量场景 #

如果是多元回归模型（比如y ~ x1 + x2），只需把变量名改成向量传入sapply即可：

# 模拟多变量数据
x1 <- rnorm(100)
x2 <- rnorm(100)
y_multi <- 2 + 0.8*x1 + 1.2*x2 + rnorm(100)
model_multi <- lm(y_multi ~ x1 + x2)

# 批量计算x1和x2的效应
sapply(c("x1", "x2"), sd_effect, mod = model_multi, dat = data.frame(x1, x2, y_multi))

内容的提问来源于stack exchange，提问作者Key