R中subset()删列与公式内直接删变量的差异及结果不同原因

在分析airquality数据集时，以下两段看似都是移除Solar.R变量的代码，却得到不同的回归结果：

data(airquality)

# using subset()
summary(lm(Ozone ~., data = subset(airquality, select = -Solar.R)))

# direct manipulation
summary(lm(Ozone ~. -Solar.R, data = airquality))

核心差异：缺失值处理顺序不同 #

• subset()前置移除列：subset(airquality, select = -Solar.R)会先从数据集中删除Solar.R列，再将剩余数据（Ozone、Wind、Temp、Month、Day）传入lm()。lm()默认执行na.action = na.omit，此时仅会删除剩余列中存在缺失值的行——也就是只剔除Ozone有缺失的行。
• 公式内移除变量：Ozone ~. -Solar.R是在模型公式层面排除Solar.R，但lm()会先基于完整原始数据集处理缺失值：只要原始数据中任意一列（包括Solar.R）存在缺失值，该行就会被剔除，之后再在剩余的无缺失值样本中拟合去掉Solar.R的模型。

结果不同的具体原因 #

airquality数据集中，Solar.R存在7行缺失值，Ozone存在37行缺失值：

• 使用subset()方法时，最终参与回归的样本量为116行（仅剔除Ozone缺失的行）；
• 使用公式移除方法时，最终参与回归的样本量为111行（剔除所有含Solar.R或Ozone缺失的行）。
  由于参与回归的样本集合不同，最终得到的回归系数、拟合优度等结果自然存在差异。

内容的提问来源于stack exchange，提问作者nightstand