这是统计软件处理分类自变量的常规操作，本质是参考水平（Reference Level）的设置逻辑，我给你拆解清楚：

核心原因：分类变量需要「基准对比」 #

当你把分类变量（比如你的group）纳入回归模型时，软件没办法直接把所有分类水平都放进模型里——这会导致多重共线性（比如三个组的虚拟变量都加进去的话，它们的和恒等于1，模型无法求解）。所以软件会自动选一个水平作为「参考基准」，只输出其他水平相对于这个基准的系数，参考水平本身不会单独出现在结果里。

你的模型里groupoecd没显示，说明它被当作了参考基准，输出的groupother和groupafrica系数，分别代表other组、Africa组与oecd组在因变量上的差异。

为什么是oecd成为参考水平？ #

不同统计工具的默认规则略有不同：

• R语言：如果group是因子变量，默认按字母顺序选第一个水平作为参考。比如你的三个水平里，Africa（A开头）、oecd（o开头）、other（o开头），但oecd的第二个字母e比other的t靠前，所以字符转因子时顺序会是Africa→oecd→other？哦可能你手动调整过因子水平，或者用了contr.treatment反向设置这类特殊编码规则。
• Python（statsmodels）：默认会把分类变量第一个出现的水平或字母排序最靠前的水平当作参考，用patsy语法时默认drop_first=True，也就是去掉第一个水平。
• 不管用什么工具，你都可以手动指定参考水平，不必依赖默认规则。

怎么验证和修改参考水平？ #

举两个常用工具的实操例子：

R语言

1. 查看当前因子水平顺序（第一个就是默认参考水平）：

levels(your_data$group)

2. 修改参考水平为other（这样结果里就会显示groupafrica和groupoecd）：

your_data$group <- relevel(your_data$group, ref = "other")
# 重新运行模型
lm(your_dv ~ group + lifeExpF, data = your_data)

Python（statsmodels）

指定参考水平为other：

import statsmodels.formula.api as smf
# 用C()函数指定treatment对比，ref参数设置参考水平
model = smf.ols('your_dv ~ C(group, treatment="other") + lifeExpF', data=your_data)
results = model.fit()
print(results.summary())

补充：系数的实际含义 #

比如你当前模型里groupother的系数是0.5，意思是：在lifeExpF相同的情况下，other组的因变量均值比oecd组高0.5；groupafrica的系数是-1.2，意思是Africa组的因变量均值比oecd组低1.2。而oecd组的基础效应已经包含在模型的截距项里了。

内容的提问来源于stack exchange，提问作者John Dunn