我正在使用lm() 对连续结果变量的多个因子变量进行回归。例如，
fit<-lm(dv~factor(hour)+factor(weekday)+factor(month)+factor(year)+count, data=df)
我想为因子变量的不同水平生成预测值 (yhat)，同时将其他变量保持在它们的中值或模态值。例如，如何在保持其他因素不变的情况下为不同的工作日生成yhat？
【问题讨论】：
predict.lm吗？
?predict.lm。您对newdata 参数感兴趣并希望研究示例。
标签： r regression
我也许可以根据@Roland 的 cmets 提供帮助。我认为您想要普通的旧方差分析，这有助于确定因素是否重要。这里不需要考虑因素，整数或数字（类：数字）可以正常工作。我将以下代码放在一起作为示例：
#creates df
(df <- data.frame(h=c(1,3,4,0,2, 3),d=c(2*1:3), m=c(-1, 0, 3, 4, 7, 8), y=c(30,28,27,26,22, 21)))
#creates linear model, gives output
(fit<-lm(df$d~ df$h + df$m+ df$y))
#runs ANOVA on linear model
anova(fit)
#creates predictions from lm based on different values of df$h
predict.lm(fit)
方差分析是回归的一种特殊情况。输出将告诉您该因素是否通过 P 值显着。
> anova(fit)
Analysis of Variance Table
Response: df$d
Df Sum Sq Mean Sq F value Pr(>F)
df$h 1 13.2923 13.2923 89.5846 0.01098 *
df$m 1 2.2832 2.2832 15.3879 0.05927 .
df$y 1 0.1277 0.1277 0.8608 0.45147
Residuals 2 0.2968 0.1484
在此示例中，小时数与因变量天数高度相关，而月数显示次高相关性。
请查看背景链接-
http://www.cookbook-r.com/Statistical_analysis/ANOVA/
仅供参考 - 我建议您包含一些源代码来创建您的示例。通过这种方式，试图回答您问题的人都可以参考同一个示例。
FYI2 - 我建议你添加标签“回归”
HTH。
【讨论】：