本文介绍了如何在R软件中检验两组回归系数（斜率）的差异显著性。通过建立线性回归模型，设置虚变量来对比不同组别的回归系数，例如在性别与体重关系的例子中，发现女性组的斜率与男性组相比存在显著差异。
在 Li Jingwen 的这篇文章中，图3中显示了两个生育时期的线性回归模型。随后作者比较了两个生育时期线性回归模型的回归系数(斜率)和截距，作者发现两个生育时期回归系 数(斜率)差异不显著，而截距差异显著。
这种两组或多组回归系数之间的差异性如何检验？如何在R软件中实现？为此，我总结了回归系数 的比较方法，如下。
回归系数的比较通常可以分为两类，线性回归模型回归系数比较和非线性回归模型回归系数比较。
我们先谈谈线性回归模型回归系数比较，而本帖只针对上面的文献讲解两组回归系数之间的比较。 多组线性回归模型的回归系数比较与两组之间比较类似，只是多了几个虚变量，而非线性回归系统比较则使用的是残差平方和简化测验(sum of square reduction test, SSRT)，你可以参考”不同株型小麦干物质积累与分配对氮肥响应的动态分析“。
我们虚构有一个数据集，有gender、height和weight三个变量，文件名为 new.csv。
# 设置工作目录
setwd("E:\My Documents\R\data")
#读取外部csv格式数 据
mydata
# 查看数据集
mydata
这样我们首先得到了线性回归方程。现在假定零假设Ho：Bf-Bm=0，其中Bf为女性组的回归系数，Bm为男性组的回归系数。
我们需要定义两个虚变量，虚变量female的值为1表示女性，为0表示男性。虚变量 femht为female与女性身高的乘积。
上面回归系数的统计学意义如下：
INTERCEP 5.601677 : 男性组线性回归截距
FEMALE -7.999147 : 女性组线性回归截距 – 男性组线性回归截距
HEIGHT 3.189727 : 男性组斜率，即Bm.
FEMHT -1.093855 : 女性组斜率 – 男性组斜率
FEMHT项对应的是零假设Ho：Bf-Bm=0，从P值=3.5456e-15可知，拒绝 零假设，表明女性组斜率与男性组斜率之间存在显著差异。
转载本文请联系原作者获取授权，同时请注明本文来自李国强科学网博客。
收藏
分享
分享到:
扫一扫
1900
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
