R语言lm()函数未显示全部世代分组数据问题求助

Signif. codes: 0 ‘’ 0.001 ‘’ 0.01 ‘’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 6.706 on 6726 degrees of freedom
Multiple R-squared: 0.02216, Adjusted R-squared: 0.02158
F-statistic: 38.11 on 4 and 6726 DF, p-value: < 2.2e-16

# 原因分析
这是R处理分类自变量的默认逻辑导致的：
- 当字符型变量被纳入线性回归模型时，R会自动将其转换为**因子（factor）**类型，并默认使用**处理编码（treatment coding）**。
- 处理编码会选择一个组作为**参考组**，参考组的效应不会单独显示在系数表中，而是被整合到截距项(`(Intercept)`)里。其他组的系数代表该组与参考组的均值差异（控制其他自变量后）。

在你的案例中，`AgeGeneration`被转换为因子后，R按字符顺序排序水平："Baby Boomers"（首字母B）排在"Gen X"、"Gen Z"、"Millenials"之前，因此被选为参考组。截距项`30.35`实际就是Baby Boomers组在睡眠时长为0时的预测BMI值，其他组的系数都是相对于Baby Boomers的差值。

你可以通过以下代码验证因子水平顺序：
```r
levels(Database$AgeGeneration)

如果需要显示Baby Boomers组的系数，或者更换参考组，可以通过以下方式实现：

1. 指定自定义参考组 #

使用relevel()函数修改因子的参考水平，例如将Gen Z设为参考组：

# 先转换为因子
Database$AgeGeneration <- factor(Database$AgeGeneration)
# 指定Gen Z为参考组
Database$AgeGeneration <- relevel(Database$AgeGeneration, ref = "Gen Z")
# 重新拟合模型
model <- lm(BMI ~ SleepHrsNight + AgeGeneration, data = Database)
summary(model)

此时输出会显示Baby Boomers相对于Gen Z的系数。

2. 显式定义因子水平顺序 #

在创建世代分组时直接指定因子水平，避免默认的字符排序：

Database$AgeGeneration <- case_when(
  Database$Age >=10 & Database$Age <=25 ~ "Gen Z",
  Database$Age >=26 & Database$Age <=41 ~ "Millenials",
  Database$Age >=42 & Database$Age <=57 ~ "Gen X",
  Database$Age >57 ~ "Baby Boomers"
) %>% factor(levels = c("Gen Z", "Millenials", "Gen X", "Baby Boomers"))

这里第一个水平"Gen Z"会成为默认参考组，系数表中会显示其他三组相对于Gen Z的差异。

3. 使用总和编码显示所有组系数 #

如果想让每个组的系数代表其与整体均值的差异，可以设置总和编码：

Database$AgeGeneration <- factor(Database$AgeGeneration)
# 设置总和编码（4个组对应4水平）
contrasts(Database$AgeGeneration) <- contr.sum(4)
# 拟合模型
model <- lm(BMI ~ SleepHrsNight + AgeGeneration, data = Database)
summary(model)

这种编码方式下，所有组的系数都会显示，截距项代表所有组的平均BMI值。

内容的提问来源于stack exchange，提问作者folgoll