在解释回归模型中的 beta 估计值时，排序顺序是否重要？

Question

似乎是一个非常基本的问题，但我只是想确认一下。我正在运行针对不同类型的协变量（一些数字、一些分类等）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“暴露”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 和 p 值看起来像下面这样：

B = -0.20 // 95%CI: [-0.50, -0.001] // p = 0.04 

是否可以将其解释为：“每增加 1 个单位的暴露量，结果就会减少 0.20”？

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 在回归模型中运行时对连续变量进行排序的默认顺序吗？另外，由于我的结果和曝光都是连续变量，这是否意味着在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？

在我使用连续变量运行任何回归模型之前，我对这种排序顺序是否重要有点困惑。任何提示/帮助将不胜感激！

Answer 1

在 OLS 下，没有对预测变量进行排序或排序。等式的右手边在从左手边减去之前相加。然后这个差的平方被最小化。因此，使用这种技术，预测变量不必以任何方式排序。

为了解释您的 Beta，预测变量应该是独立的，因此您采用它们的顺序并不重要。 旁注：实际上，您可能会在预测变量之间获得一些依赖性，这将反映在稍大的标准误差上。