多元回归虚拟变量系数解读及替代模型技术咨询

以recruiterRelationFriend的系数0.069942为例：
在控制其余两个虚拟变量（招募者是否为亲密伴侣、是否为家人）的前提下，当招募者是朋友（该变量取值为1）时，因变量“强迫劳动”的平均水平比招募者不是朋友（该变量取值为0）的情况高0.069942个单位。

• 逻辑回归：若“强迫劳动”是二元分类变量（如1=存在强迫劳动，0=不存在），逻辑回归是更合适的选择，它输出发生比（Odds Ratio），可清晰呈现不同招募关系对强迫劳动发生概率的影响。
• 有序回归：如果因变量是有序分类类型（比如强迫劳动严重程度分为“无/轻度/重度”），有序回归能分析虚拟变量对应的等级差异，适配有序因变量的特性。
• 泊松/负二项回归：当“强迫劳动”是计数型数据（如强迫劳动时长天数），这类回归专门处理计数变量，可对比不同招募关系下的计数均值差异。
• 分层线性模型：若数据存在嵌套结构（比如个体嵌套在不同地区），分层模型能同时分析组内、组间效应，虚拟变量可在个体或组层面纳入分析。
• Probit回归：与逻辑回归类似，针对二元因变量，仅潜在分布假设不同，同样支持将虚拟变量作为自变量纳入分析。

内容的提问来源于stack exchange，提问作者María José Otero Arango