负二项回归中已缩放连续变量的系数如何还原至原始尺度

首先需要明确：MASS::glm.nb()默认使用对数链接，不是你提到的logit链接（logit链接仅用于二分类Logistic回归），两种链接下的系数转换逻辑一致，核心是基于标准化的线性变换推导。

核心原理 #

连续变量的标准化公式为：
$$x_{scaled} = \frac{x_{raw} - \mu}{\sigma}$$
其中$\mu$是变量原始均值，$\sigma$是变量原始标准差。

负二项回归的线性预测器形式为：
$$\log(E(y)) = \beta_0 + \beta_1 \times ind.1 + \beta_{scaled} \times x_{scaled}$$
将标准化公式代入线性预测器，整理得到原始变量对应的系数：
$$\log(E(y)) = (\beta_0 - \beta_{scaled} \times \frac{\mu}{\sigma}) + \beta_1 \times ind.1 + \frac{\beta_{scaled}}{\sigma} \times x_{raw}$$
因此原始变量每提升1个单位，对应的对数预期值增量为$\frac{\beta_{scaled}}{\sigma}$，取指数后即为原始单位下的发生率比（IRR）。

代码实现 #

基于你的示例代码，实现转换的步骤如下：

# 1. 提取标准化时使用的标准差
sc <- attr(df$ind.2, "scaled:scale")
# 如果你提前保存了原始变量，也可以直接用 sc <- sd(原始ind.2) 计算

# 2. 计算原始单位下的系数（对数尺度）
beta_raw_ind2 <- summz$coefficients["ind.2","Estimate"] / sc

# 3. 取指数得到原始单位下的发生率比IRR
irr_ind2 <- exp(beta_raw_ind2)
irr_ind2

结果验证 #

你可以通过拟合未标准化的模型来验证转换结果的正确性：

# 还原ind.2为原始值
df$ind.2_raw <- df$ind.2 * sc + attr(df$ind.2, "scaled:center")
# 拟合未标准化的模型
m_raw <- MASS::glm.nb(dep ~ ind.1 + ind.2_raw, data = df)
# 直接提取原始模型的IRR，和转换结果完全一致
exp(coef(m_raw)["ind.2_raw"])

常见误区说明 #

你之前看到的「系数乘以标准差」的操作，是原始系数转每标准差效应的场景，和你的需求方向相反：

• 如果你需要解释原始变量每提升1个标准差的效应：直接exp(β_scaled)即可，无需转换
• 如果你已有原始变量的系数，需要转换为每标准差的效应：才需要计算exp(β_raw * σ)

Logit链接（Logistic回归）的扩展 #

如果是使用logit链接的二分类Logistic回归，转换逻辑完全一致：

• 原始单位下的OR值为exp(β_scaled / σ)
• 每标准差的OR值为exp(β_scaled)

内容的提问来源于stack exchange，提问作者Thomas