因子型變量的特點(diǎn)就是采用二進(jìn)制來表示響應(yīng)變量刀森，即0和1，0表示沒有這個(gè)變量而1代表有這個(gè)變量隅要。
我們已其中一個(gè)例子為例：
test
這是我們的輸入數(shù)據(jù)蝴罪，其中height為響應(yīng)變量，為連續(xù)型變量步清；sex和att為決策變量要门，為因子型變量
單一因子變量
如果我們已sex為決策變量，那么它只有兩個(gè)水平：female和male廓啊，我們可以看下它的因子水平：
contrasts(test$sex)
而在建模時(shí)欢搜，誰在前面就默認(rèn)為對照組，此例子中female在前面谴轮，因此female為對照組
顯然female編碼為0炒瘟，male編碼為1；建模如下：
lm_sex <- lm(height ~ sex, data = test)
打開模型我們?nèi)菀卓矗?br>
由于female = 0第步，male = 1疮装，那么截距項(xiàng)為167.31表示的是female的平均height，而sexmale表示的是回歸方程的斜率粘都，male的平均height為167.31 + 15.13
回歸方程為：height = sex × β + b廓推；那么對于sex來說存在兩種水平：female = 0，male = 1翩隧，因此當(dāng)female = 0時(shí)樊展，female的平均height即為方程截距b；而當(dāng)male = 1時(shí)，male的平均height為 β + b
多水平因子變量
我們以att為例专缠，首先看下因子水平：
contrasts(test$att)
很顯然雷酪，這次 1 為對照組，而后的 2藤肢，3太闺，4糯景，5 都是與 1 作為比較嘁圈，建模如下：
lm_att <- lm(height ~ att, data = test)
線性模型：height = att × β + b，對于多水平的因子模型蟀淮，斜率 β 會(huì)隨著因子決策變量的不同而不同最住，即 att 不同，則 β 也就不同怠惶，并且所有組別（2涨缚，3，4策治，5）均是與組別 1 作為對比
對于多因子的線性模型脓魏，結(jié)合上圖結(jié)果我們看到，截距 b 表示 1 組別的平均height通惫，而當(dāng) att = 2 時(shí)茂翔，β = 7.564，因此 att = 2 的平均height為 169.8 + 7.564履腋；當(dāng) att = 3 時(shí)珊燎，β = 6.533，因此 att = 3 的平均height為 169.8 + 6.533遵湖；當(dāng) att = 4 時(shí)悔政，β = 7.8，因此 att = 4 的平均height為 169.8 + 7.8延旧；當(dāng) att = 5 時(shí)谋国，β = 4.2，因此 att = 5 的平均height為 169.8 + 4.2
