在解释回归模型中的 beta 估计值时，排序顺序是否重要？
Does the sorting order matter when interpreting beta estimates in a regression model?
这似乎是一个非常基本的问题，但我只是想确认一下。我正在 运行 构建一个针对不同类型的协变量（一些数字的、一些分类的等）进行调整的多变量线性回归模型。模型示例如下所示：
fit <- ols(outcome ~ exposure + age + zbmi + income + sex + ethnicity)
“结果”和“曝光”都是连续的数值变量。
我的问题是，如果说我 运行 模型和 beta 估计，95% CI，并且 p 值看起来类似于下面的值：
B = -0.20 // 95%CI: [-0.50, -0.001] // p = 0.04
将其解释为：“暴露量每增加 1 个单位，结果就会减少 0.20”是否合适？
我想知道的是它是如何确定“每增加1个单位”的顺序的？这只是 R 在回归模型中 运行 对连续变量进行排序的默认顺序吗？此外，由于我的结果和暴露都是连续变量，这是否意味着当我 运行 模型时它会自动按升序（默认情况下？）对这些变量进行排序？
在我 运行 使用连续变量的任何回归模型之前，我对这种排序顺序是否重要感到有点困惑。任何提示/帮助将不胜感激！
在 OLS 下，没有对预测变量进行排序或排序。等式右边先求和，然后再从左边减去。然后最小化这个差异的平方。因此，使用这种技术，不必以任何方式对预测变量进行排序。
为了解释您的贝塔值，预测变量应该是独立的，因此您采用它们的顺序无关紧要。
旁注：实际上，您可能会在预测变量之间产生一些依赖性，这将反映在标准误差略大的情况下。
这似乎是一个非常基本的问题，但我只是想确认一下。我正在 运行 构建一个针对不同类型的协变量（一些数字的、一些分类的等）进行调整的多变量线性回归模型。模型示例如下所示：
fit <- ols(outcome ~ exposure + age + zbmi + income + sex + ethnicity)
“结果”和“曝光”都是连续的数值变量。
我的问题是，如果说我 运行 模型和 beta 估计，95% CI，并且 p 值看起来类似于下面的值：
B = -0.20 // 95%CI: [-0.50, -0.001] // p = 0.04
将其解释为：“暴露量每增加 1 个单位，结果就会减少 0.20”是否合适？
我想知道的是它是如何确定“每增加1个单位”的顺序的？这只是 R 在回归模型中 运行 对连续变量进行排序的默认顺序吗？此外，由于我的结果和暴露都是连续变量，这是否意味着当我 运行 模型时它会自动按升序（默认情况下？）对这些变量进行排序？
在我 运行 使用连续变量的任何回归模型之前，我对这种排序顺序是否重要感到有点困惑。任何提示/帮助将不胜感激！
在 OLS 下，没有对预测变量进行排序或排序。等式右边先求和，然后再从左边减去。然后最小化这个差异的平方。因此，使用这种技术，不必以任何方式对预测变量进行排序。
为了解释您的贝塔值，预测变量应该是独立的，因此您采用它们的顺序无关紧要。 旁注：实际上，您可能会在预测变量之间产生一些依赖性，这将反映在标准误差略大的情况下。