R中逻辑回归的相互作用[关闭]答案

【问题标题】：Interaction in logistic regression in R [closed]R中逻辑回归的相互作用[关闭]
【发布时间】：2020-11-05 14:48:58
【问题描述】：

我正在使用函数 glm() 在 R 中运行逻辑回归。我想添加两个自变量之间的交互，并且我知道我可以使用 * 或 : 来链接这两个术语。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*体重或性别：体重。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。

【问题讨论】：

我添加了一个解释 * 和 : 规范之间区别的答案。但我不确定这是你要问的。如果您的问题主要是为什么“：”模型中的交互术语不同（以及为什么该模型可能没有用），您可能会在 CrossValidated 上找到多个关于此的帖子。

标签： r logistic-regression glm interaction

【解决方案1】：

sex*weight 和 sex:weight 这两个术语有不同的含义。第一个 (*) 是 sex + weight + sex:weight 的简写，即包含每个参数和交互。 sex:weight 只添加交互项。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（轻松地）解释交互，请参见此处：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

【讨论】：