¿Cómo forzar a R a usar un nivel de factor específico como referencia en una regresión?

¿Cómo puedo decirle a R que use un cierto nivel como referencia si uso variables explicativas binarias en una regresión?

Solo está usando algún nivel por defecto.

lm(x ~ y + as.factor(b)) 

con b {0, 1, 2, 3, 4}. Digamos que quiero usar 3 en lugar del cero que usa R.

Ver la relevel()función. Aquí hay un ejemplo:

set.seed(123)
x <- rnorm(100)
DF <- data.frame(x = x,
                 y = 4 + (1.5*x) + rnorm(100, sd = 2),
                 b = gl(5, 20))
head(DF)
str(DF)

m1 <- lm(y ~ x + b, data = DF)
summary(m1)

Ahora modifique el factor bin DFmediante el uso de la relevel()función:

DF <- within(DF, b <- relevel(b, ref = 3))
m2 <- lm(y ~ x + b, data = DF)
summary(m2)

Los modelos han estimado diferentes niveles de referencia.

> coef(m1)
(Intercept)           x          b2          b3          b4          b5 
  3.2903239   1.4358520   0.6296896   0.3698343   1.0357633   0.4666219 
> coef(m2)
(Intercept)           x          b1          b2          b4          b5 
 3.66015826  1.43585196 -0.36983433  0.25985529  0.66592898  0.09678759

Otros han mencionado el relevelcomando que es la mejor solución si desea cambiar el nivel base para todos los análisis de sus datos (o está dispuesto a vivir con el cambio de datos).

Si no desea cambiar los datos (este es un cambio único, pero en el futuro desea el comportamiento predeterminado nuevamente), entonces puede usar una combinación de la función C(nota en mayúsculas) para establecer contrastes y la contr.treatmentsfunción con el argumento base para elegir qué nivel desea que sea la línea de base.

Por ejemplo:

lm( Sepal.Width ~ C(Species,contr.treatment(3, base=2)), data=iris )

El relevel()comando es un método abreviado para su pregunta. Lo que hace es reordenar el factor para que el nivel de referencia sea el primero. Por lo tanto, reordenar los niveles de los factores también tendrá el mismo efecto pero le dará más control. Quizás quisieras tener niveles 3,4,0,1,2. En ese caso...

bFactor <- factor(b, levels = c(3,4,0,1,2))

Prefiero este método porque es más fácil para mí ver en mi código no solo cuál era la referencia, sino también la posición de los otros valores (en lugar de tener que mirar los resultados para eso).

NOTA: NO lo convierta en un factor ordenado. Un factor con un orden específico y un factor ordenado no son lo mismo. lm()puede comenzar a pensar que desea contrastes polinomiales si lo hace.

Sé que esta es una pregunta antigua, pero tuve un problema similar y descubrí que:

lm(x ~ y + relevel(b, ref = "3")) 

hace exactamente lo que pediste.

También puede etiquetar manualmente la columna con un contrastsatributo, que parece ser respetado por las funciones de regresión:

contrasts(df$factorcol) <- contr.treatment(levels(df$factorcol),
   base=which(levels(df$factorcol) == 'RefLevel'))

Para aquellos que buscan una versión dplyr / tidyverse. Basándose en la solución de Gavin Simpson:

# Create DF
set.seed(123)
x <- rnorm(100)
DF <- data.frame(x = x,
                 y = 4 + (1.5*x) + rnorm(100, sd = 2),
                 b = gl(5, 20))

# Change reference level
DF = DF %>% mutate(b = relevel(b, 3))

m2 <- lm(y ~ x + b, data = DF)
summary(m2)