关于R语言lm()函数处理连续与离散预测变量的技术问询

嘿，这个问题问到点子上了——很多刚接触线性回归的同学都会搞混lm()和逻辑回归的适用场景，我来给你讲明白：

首先要明确一个核心点：lm()函数自始至终做的都是普通最小二乘（OLS）线性回归，它不会因为预测变量是分类类型就自动切换成逻辑回归。逻辑回归是专门用来处理因变量为二分类/分类变量的场景，对应的是glm()函数加上family=binomial参数，和lm()完全是两个不同的模型。

那当预测变量是取值0或1的性别这类二分类变量时，lm()是怎么工作的呢？其实这个0/1变量属于虚拟变量（哑变量），lm()会把它当成数值变量来处理，但背后的逻辑是分组对比：

• 假设我们拟合的模型是 lm(连续因变量 ~ 性别, data=你的数据)，其中性别0代表女性，1代表男性：
  • 模型的截距项对应的是「性别为0的组（女性）的因变量平均值」
  • 性别变量的系数对应的是「性别为1的组（男性）的因变量平均值 减去 性别为0组的平均值的差值」
• 本质上，这和做两组间的t检验、单因素方差分析是完全等价的，只是用线性回归的形式呈现出来而已。

举个简单的代码例子帮你理解：

# 模拟一组数据：性别0=女，1=男；男性平均体重75kg，女性60kg
set.seed(123)
df <- data.frame(
  gender = sample(c(0, 1), 100, replace = TRUE),
  weight = rnorm(100, mean = ifelse(df$gender == 1, 75, 60), sd = 5)
)

# 拟合线性回归模型
model <- lm(weight ~ gender, data = df)
summary(model)

运行这段代码后，你会看到：

• 截距项的估计值大概在60左右，对应女性的平均体重
• gender的系数估计值大概在15左右，代表男性平均体重要比女性重15kg左右

最后再划个重点：如果你的因变量是连续变量，哪怕预测变量是二分类的，用lm()完全没问题；但如果你的因变量是二分类变量（比如是否患病、是否购买），这时候才需要用逻辑回归，要是硬用lm()的话，模型可能会预测出0-1之外的数值，不符合概率的取值范围，结果就没意义了。

内容的提问来源于stack exchange，提问作者Babas