解释类似但不同的指定线性回归模型的标准误差：R

如何解决解释类似但不同的指定线性回归模型的标准误差：R

根据在R中指定线性回归模型（用于分类变量）的方式，我得到不同的标准误差值。

例如，

library(alr4)
library(tidyverse)

FactorModel <- lm(I(log(acrePrice)) ~ I(as.factor(year)),data = MinnLand)
summary(FactorModel)

但是，如果我将回归模型指定为“ +0”，则标准误差（以及其他值）也会有所不同。

FactorModel1 <- lm(I(log(acrePrice)) ~ I(as.factor(year)) + 0,data = MinnLand)
summary(FactorModel1)

我怎么知道哪一个是正确的标准错误？我有点理解如何解释这些估计。例如，在第一个模型中，如果我想知道2003年的估计值，则其截距+ 2003年的系数。但是，在第二个模型中，它会自动计算实际值。

对标准错误有类似的解释吗？

解决方法

第一个模型具有截距，但是第二个模型根本没有截距，因此它们具有不同的残差。因此，假设标准误差是残差标准偏差的估计值，则它们具有不同的残差标准误差。由于它们是不同的模型，因此它们也具有不同的系数和系数标准误差。我们可以看到第一个模型的截距很重要（旁边有三颗星），但是您也可以使用anova比较模型：

anova(FactorModel1,FactorModel)

使用predict来获取预测，但是如果您首先将转换后的变量放入数据框中，然后使用这些变量而不是尝试在公式中对其进行转换，则使用预测会更容易。