R中逻辑回归的交互
Interaction in logistic regression in R
我是 运行 R 中的逻辑回归函数 glm()。我想在两个独立变量之间添加一个交互项,我知道我可以使用 * 或 : 来 link 这两个术语。示例:我有一个分类自变量和一个连续自变量,交互作用可以是性别*体重或 sex:weight。虽然我了解如何解释第一个选项的结果,但我不知道如何解释第二个选项,因为它不会像与 * 的交互那样创建参考类别。
术语sex*weight
和sex:weight
具有不同的含义。第一个 (*) 是 shorthand for sex + weight + sex:weight
,即包含每个参数和交互。 sex:weight
仅添加交互项。因此生成的模型不同。
据我所知,模型应该始终包含交互中涉及的较低级别的术语。否则,无法(轻松)解释交互,请参见此处的示例:https://stats.stackexchange.com/q/11009/133735
#model including both parameters and their interaction with "*"
m1 <- lm(Sepal.Length ~ Petal.Width * Petal.Length, data = iris)
coef(m1)
(Intercept) Petal.Width Petal.Length Petal.Width:Petal.Length
4.5771709 -1.2393154 0.4416762 0.1885887
#model including both pars and interaction (all terms spelled out)
m2 <- lm(Sepal.Length ~ Petal.Width + Petal.Length + Petal.Width:Petal.Length, data = iris)
coef(m2)
(Intercept) Petal.Width Petal.Length Petal.Width:Petal.Length
4.5771709 -1.2393154 0.4416762 0.1885887
#model only including the interaction
m3 <- lm(Sepal.Length ~ Petal.Width:Petal.Length, data = iris)
coef(m3)
(Intercept) Petal.Width:Petal.Length
4.9704818 0.1506457
我是 运行 R 中的逻辑回归函数 glm()。我想在两个独立变量之间添加一个交互项,我知道我可以使用 * 或 : 来 link 这两个术语。示例:我有一个分类自变量和一个连续自变量,交互作用可以是性别*体重或 sex:weight。虽然我了解如何解释第一个选项的结果,但我不知道如何解释第二个选项,因为它不会像与 * 的交互那样创建参考类别。
术语sex*weight
和sex:weight
具有不同的含义。第一个 (*) 是 shorthand for sex + weight + sex:weight
,即包含每个参数和交互。 sex:weight
仅添加交互项。因此生成的模型不同。
据我所知,模型应该始终包含交互中涉及的较低级别的术语。否则,无法(轻松)解释交互,请参见此处的示例:https://stats.stackexchange.com/q/11009/133735
#model including both parameters and their interaction with "*"
m1 <- lm(Sepal.Length ~ Petal.Width * Petal.Length, data = iris)
coef(m1)
(Intercept) Petal.Width Petal.Length Petal.Width:Petal.Length
4.5771709 -1.2393154 0.4416762 0.1885887
#model including both pars and interaction (all terms spelled out)
m2 <- lm(Sepal.Length ~ Petal.Width + Petal.Length + Petal.Width:Petal.Length, data = iris)
coef(m2)
(Intercept) Petal.Width Petal.Length Petal.Width:Petal.Length
4.5771709 -1.2393154 0.4416762 0.1885887
#model only including the interaction
m3 <- lm(Sepal.Length ~ Petal.Width:Petal.Length, data = iris)
coef(m3)
(Intercept) Petal.Width:Petal.Length
4.9704818 0.1506457