R语言lm线性回归定性定量变量误识别问题求解

正在R中开展同时包含定性变量与定量变量的线性回归分析，所用数据集样例结构如下：

trip                             X                 year
A 10                          500                  2019
B 11                          600                  2019
C 9                           450                  2020

建模目标为将trip列对应"A"维度的指标作为被解释变量，其余变量作为解释变量构建回归模型。
当前遇到的问题：纳入spécialité这类定性变量时，模型会误将年份等其余定量变量识别为定性变量，针对2019、2020等不同年份取值拆分单独生成系数做回归。

当前使用的建模代码如下：

lm_amb <- lm(reg_spé_amb[,3] ~ reg_spé_amb[,2] + reg_spé_amb[,1] + reg_spé_amb[,4])
summary(lm_amb)

运行后得到的错误回归结果形式如下：

Estimate            std error
                                                          
intercept                                         400                   26
reg_spé_amb[, 2]10                                 88                   66
reg_spé_amb[, 2]11                                 64                   10
reg_spé_amb[, 1]A                                  70                   80
reg_spé_amb[, 4]2019                               80                   90

预期输出为：获得变量A对应的系数、年份变量作为整体的统一系数，而非按每个年份取值拆分生成的单独系数。

出现该问题由两个常见错误导致：

1. 调用lm()时使用数据框[,列索引]的方式逐列传入变量，函数无法继承数据框中各列预先设置的变量类型属性，容易将数值类列误判为分类变量
2. 数据导入环节，年份、X这类本应为数值型的定量变量，可能因为列中存在特殊字符、缺失值标记不规范，被自动读取为因子（factor）或字符（character）类型，lm()遇到这类类型的输入会默认按分类变量生成哑变量，也就是你看到的按变量取值拆分单独系数的现象。

步骤1：建模前显式指定各列变量类型 #

先逐列检查变量类型，将定量变量显式转为数值型，定性变量显式转为因子型，参考代码如下：

# 将定量变量X、year转为数值型
reg_spé_amb$X <- as.numeric(reg_spé_amb$X)
reg_spé_amb$year <- as.numeric(reg_spé_amb$year)
# 将定性变量trip转为因子型
reg_spé_amb$trip <- as.factor(reg_spé_amb$trip)

如果执行as.numeric()时出现强制转换警告，说明对应列存在非数值的异常内容，需要先清理脏数据再完成类型转换。

步骤2：使用标准语法调用lm()函数 #

放弃列索引传参的写法，通过data参数绑定建模用的数据框，公式中直接写入列名即可，这种写法下lm()可以正确识别各列预设的变量类型，不会出现类型误判。参考代码如下：

# 注意将公式左侧的被解释变量名替换为你数据集第三列的真实列名
lm_amb <- lm(真实被解释变量列名 ~ X + trip + year, data = reg_spé_amb)
summary(lm_amb)

步骤3：按需提取目标系数 #

如果仅需要trip变量对应A类的系数，以及year变量的统一系数，建模完成后直接通过coef()函数提取即可：

# 提取模型全部系数
all_coef <- coef(lm_amb)
# 提取trip对应A类的系数
coef_A <- all_coef["tripA"]
# 提取year作为连续变量的统一系数
coef_year <- all_coef["year"]

按上述步骤调整后，模型输出中year将仅返回一个统一的回归系数，不会再出现按年份取值拆分哑变量的问题，定性变量也会按因子水平正确生成对应系数。

内容的提问来源于stack exchange，提问作者user19304348