R语言钻石价格分析：ggplot2数据清洗与多元线性回归实战

简介《钻石价格分析-基于R语言》是一份面向R语言初学者与数据分析入门者的实战型文档围绕ggplot2内置diamonds数据集完整呈现从数据清洗到回归建模的分析路径。内容涵盖缺失值与重复值检查、异常值箱线图识别与剔除、价格分布直方图与核密度解读以及切工、颜色、净度、克拉重量等变量与价格关系的可视化探索并进一步完成定性变量因子化、新变量构造、简单线性回归和多元回归预测保留建模流程、图表解读与结果解释的完整脉络。资源包共1个docx文件约2.4MB便于集中阅读和按章节复现实验。已有285人学习下载适合希望掌握R语言数据处理、回归分析与机器学习基础流程的读者可据此理解钻石定价的主要影响因素积累一份可迁移到其他数据集的分析模板。1. 一颗 0.9 克拉的钻石凭什么标到 8000 美元同一颗 0.9 克拉的石头切工评级降一档报价能差出两千美元颜色再掉两级价格又被砍掉一截。想弄清楚这笔钱到底花在哪个属性上最省事的入口就是 ggplot2 包里那份自带的 diamonds 数据——53940 行、10 个字段。这套 R 语言钻石价格分析项目做的就是把这份数据从装载、清洗、描述性统计一路推到多元线性回归先看价格怎么分布再用克拉、切工、颜色、净度去解释价格最后落到预测和显著性检验。它不需要爬虫、不需要数据库一台装了 R 的笔记本就能从头跑到尾。刚接触 R 数据分析、想完整走一遍回归分析流程的人拿它练手最合适已经会写lm()但说不清哑变量基准组、交互项和逐步回归怎么落地的人这份脚本也能当对照物看。2. 数据装载与清洗把 diamonds 从 ggplot2 里挖出来2.1 依赖清单与脚本骨架这份分析对包的依赖其实很轻全部围绕「数据整形 画图 线性模型 诊断」四件事展开。ggplot2 既是数据源又是绘图主力dplyr 负责分组聚合mice 用来看缺失值模式car 提供 VIFMASS 提供stepAIClmtest 做异方差检验gridExtra 把多张图拼到一起。一次性装齐后面就不用反复中断流程。# 依赖安装先算差集装了的不再重复装 pkgs - c(ggplot2, dplyr, tidyr, mice, car, MASS, lmtest, gridExtra) new_pkgs - setdiff(pkgs, rownames(installed.packages())) if (length(new_pkgs) 0) install.packages(new_pkgs) invisible(lapply(pkgs, library, character.only TRUE))setdiff那一行是给自己省时间的installed.packages()会返回当前环境里所有已装包的矩阵取行名做差集即可。invisible包一层是为了让lapply加载包时不要往控制台糊一堆 “Attaching package” 的提示。我习惯把整条链路拆成四个脚本中间结果落盘成 rds改模型的时候不用每次从头清洗。目录大概长这样diamond-price-analysis/ ├── 01_load.R # 装载 diamonds、体检、清洗、落盘 ├── 02_eda.R # 描述性统计与全套图形 ├── 03_model.R # 简单回归 / 全模型 / 交互项 / 逐步回归 ├── 04_diagnose.R # 假设检验与残差诊断 ├── data/clean_diamonds.rds └── output/figs/拆脚本的好处是调试成本低。改一个交互项写法只要重跑03_model.R清洗那一步读 rds 就行省下来的时间够你多试三组变量组合。2.2 数据装载与三轮体检diamonds 是 ggplot2 的内置数据集data()一句就出来了不用read.csv也没有编码坑。装载完的第一件事不是画图是把数据的形状摸清楚多少行、哪些列是数值、哪些是字符各列的量纲差多少。data(diamonds, package ggplot2) dim(diamonds) # 53940 行 10 列 str(diamonds) # carat/price 等为 numcut/color/clarity 为 Ord.factor summary(diamonds) # 一眼看清每列的最小值、中位数、最大值str()那一步会暴露出一个重要信息cut、color、clarity 三列在原始数据里已经是Ord.factor有序因子。这一点后面建模会专门处理先记住。三轮体检分别是缺失值、重复值、取值越界。# 第一轮缺失值 colSums(is.na(diamonds)) mice::md.pattern(diamonds, plot FALSE) # 第二轮完全重复行 sum(duplicated(diamonds)) # 第三轮取值范围是否离谱 sapply(diamonds[, c(carat, depth, table, x, y, z, price)], range)colSums(is.na())返回全 0说明这份数据本身是完整的没有缺失值需要插补md.pattern只是再确认一遍缺失模式。duplicated返回 0也没有完全重复的行——但要注意没有重复行不等于没有「近重复」同一组参数不同价格的记录在这份数据里是正常存在的别手贱去按除 price 之外的列去重那会把真实的市场波动删掉。真正值得警惕的是range()的输出。x、y、z 的最小值全是 0。一颗钻石的长度、宽度、深度不可能为 0这是录入或测量环节留下的脏记录。原始数据里有 20 条左右这样的行数量不多但足以在算体积、画散点的时候把图拉变形。2.3 异常值清理与特征构造异常值处理我一般分两个维度做价格维度按分布尾部裁尺寸维度按物理意义裁。两者不能混在一起写出问题的时候不好排查。# 维度一价格尾部。用 3 倍 IQR 规则做粗筛 q - quantile(diamonds$price, probs c(0.25, 0.75), na.rm TRUE) iqr - IQR(diamonds$price) d1 - subset(diamonds, price q[1] - 3 * iqr price q[3] 3 * iqr) # 维度二物理尺寸必须为正否则算不出体积 d2 - subset(d1, x 0 y 0 z 0) nrow(diamonds); nrow(d1); nrow(d2) # 53940 / 53840 上下 / 53820 上下quantile取上下四分位IQR是四分位距3 倍 IQR 比 1.5 倍宽松适合这种本来就右偏的价格分布——用 1.5 倍会砍掉太多真实的高价钻石。你也可以按原文的思路用「三个标准差之外」来剔效果接近但对右偏数据会剔得更狠。清洗完就该造新变量了。原始字段里 x、y、z 是三个独立尺寸单独放进模型很难解释合成体积更有物理含义另外价格和克拉的比值能反映「单位克拉的溢价」做分群对比时很好用。diamonds_fe - d2 %% mutate( # 体积比单看 carat 更贴近看起来大不大 volume x * y * z, # 单位克拉价格用于分群对比 price_per_carat price / carat, # 显式指定因子水平顺序基准组落在最差档 cut factor(cut, levels c(Fair, Good, Very Good, Premium, Ideal)), color factor(color, levels c(J, I, H, G, F, E, D)), clarity factor(clarity, levels c(I1, SI2, SI1, VS2, VS1, VVS2, VVS1, IF)) ) saveRDS(diamonds_fe, data/clean_diamonds.rds)这里有个关键选择我没有加ordered TRUE。原因在后面的避坑章会详细说简单讲就是有序因子在lm()里默认走正交多项式对比系数会变成一组你没法直接读的线性组合。显式给levels赋值就够了它决定了谁是基准组——现在基准组是 Fair、J、I1也就是三个维度里最差的那一档回归系数解释成「相对于最差档的提升」最符合直觉。color 这一列要特别注意原始 levels 是 D 到 JD 最好。我这里倒过来写成 J 到 D是为了让因子水平顺序和「好坏」单调一致后面画图排序和建有序逻辑都不容易搞混。3. 探索性分析价格分布与离散变量的分组对比3.1 价格分布直方图叠核密度与正态曲线描述性分析的第一步是看目标变量的形状因为形状决定了后面用不用对数变换。把直方图、核密度和正态曲线叠在一张图上三条线一对比偏态有多重立刻清楚。library(ggplot2) ggplot(diamonds_fe, aes(x price)) # 直方图纵轴换成密度才能和密度曲线共用一个坐标系 geom_histogram(aes(y after_stat(density)), bins 60, fill #4C78A8, colour white, alpha 0.85) # 核密度不假设分布形式 geom_density(colour #E45756, linewidth 1) # 同均值同标准差的正态曲线作为对照基准 stat_function(fun dnorm, args list(mean mean(diamonds_fe$price), sd sd(diamonds_fe$price)), colour black, linetype dashed) labs(x 价格美元, y 密度) theme_minimal()after_stat(density)是 ggplot2 3.4 之后的写法老版本要写..density..如果这句报错就是版本问题升级包或者改写法都行。bins 60是试出来的53940 条记录用 30 个箱太粗、100 个箱太碎60 个刚好能看出断层。跑出来的图会告诉你三件事第一价格分布强烈右偏绝大多数钻石挤在 0 到 2000 美元之间第二核密度曲线在 1000 美元附近有一个明显的峰说明这个价位是市场最集中的成交区间第三和正态曲线比8000 美元之前两条曲线几乎不重合8000 之后反而一起贴着横轴走——这对应的是一个残酷的行业事实高价钻石数量极少价格越往上样本越稀疏。顺带一句原始 price 的最大值是 18823按 3 倍 IQR 裁完大致落在 11886 附近最低 326。这个区间记住后面解释回归截距为负的时候要用。3.2 离散变量的分组对比箱线图、小提琴图与中位数排序cut、color、clarity 是三个分级变量看它们和价格的关系箱线图最直观。但价格跨度大直接画箱子会被高价样本压扁所以我习惯对纵轴取 log10。p_cut - ggplot(diamonds_fe, aes(x cut, y price, fill cut)) geom_boxplot(outlier.alpha 0.12, outlier.size 0.5) scale_y_log10() # 压住长尾别让箱子挤成一条线 labs(x 切工, y 价格log10 美元) theme_minimal() theme(legend.position none) # 分组中位数比看图更准 diamonds_fe %% group_by(cut) %% summarise(n n(), median median(price), mean mean(price)) %% arrange(desc(median))这里会撞上一个非常反直觉的结果按中位数排Fair 组反而排在最前面Ideal 组排在最后。如果只看这张图就下「切工越差越贵」的结论就翻车了。原因不复杂——Fair 切工的钻石里大克拉的占比高得多而 Ideal 切工里有大量 0.3 到 0.5 克拉的小石头。克拉这个混杂变量没控制住任何分组比较都是假的。正确做法是固定克拉区间再比比如只取 0.7 到 0.9 克拉这一段重新画一遍结论会立刻翻过来。这也是为什么后面必须上多元回归单变量对比只能提假设控制变量之后才谈得上结论。同理color 从 J 到 D 画一遍小提琴图能看到价格中位数随颜色等级提升基本单调上升clarity 从 I1 到 IF 也是上升趋势但 I1 到 SI2 这一段不单调说明净度到优质区间之后决定价格的维度就不止一个了。ggplot(diamonds_fe, aes(x color, y price, fill color)) geom_violin(scale count, trim FALSE) # scale 控制各组的宽度权重 geom_boxplot(width 0.12, fill white, outlier.shape NA) scale_y_log10() labs(x 颜色J 最差 → D 最好, y 价格log10 美元) theme_minimal() theme(legend.position none)scale count让各组小提琴的宽度正比于样本量一眼就能看出 Ideal 和 Premium 占了绝大多数、Fair 只有一千多条。trim FALSE保留尾部不然极端值会被削掉看不到真实分布。3.3 克拉与价格的散点图线性之外的弯折carat 是连续变量里对价格影响最大的一个值得单独画。散点要设很小的透明度否则 5 万多个点会糊成一团黑。ggplot(diamonds_fe, aes(x carat, y price)) geom_point(alpha 0.04, size 0.5) geom_smooth(method lm, se FALSE, colour #E45756, linewidth 1) geom_smooth(method loess, se FALSE, colour #54A24B, linewidth 1) scale_x_continuous(breaks seq(0, 5.5, 0.5)) theme_minimal()红线是线性拟合绿线是局部加权回归。两条线在低克拉区几乎重合超过 1 克拉之后绿线明显上翘价格增长快于线性。这说明price ~ carat这个模型在低克拉段还行越往高克拉误差越大。另外散点里能看到几条竖直的「条带」那是整数克拉0.5、1.0、1.5、2.0的聚集效应——消费者对整数有偏好同克拉下这些点的价格往往更高。这个现象在建模时没有专门的变量去捕捉是残差里一块系统性的结构后面诊断残差图的时候会再遇到。如果想让线性假设更站得住两个常规做法对 price 取对数或者给 carat 加平方项。我一般先试 log因为它同时能缓解异方差一举两得。4. 建模链路从简单回归到含交互项的多元模型4.1 简单线性回归先把 carat 单独拎出来不要一上来就堆全变量模型。先用单个变量跑通确认系数方向和量级合理再往上加出问题的时候才知道是哪一步引入的。fit_carat - lm(price ~ carat, data diamonds_fe) summary(fit_carat) confint(fit_carat) # 系数的 95% 置信区间输出里三个数要看carat 的系数、p 值、R²。系数大致在 7760 上下意思是克拉数每增加 1价格预期增加约 7760 美元p 值远小于 0.001说明这个关系不是偶然R² 在 0.85 附近单靠一个变量就解释了大头符合「克拉是定价核心」的常识。截距是负的大概 -2256。这个数没有现实意义——不存在 0 克拉还倒贴钱的钻石——它只是线性外推的产物。解释模型的时候千万别把这个截距当成「基础价」这是新手最容易犯的错。这条模型的价值不在预测精度而在于给后面的多变量模型立一个基线。加了切工、颜色、净度之后R² 从 0.85 涨到 0.88说明这三个定性变量合起来只贡献了 3 个百分点——不是它们不重要而是它们的作用在简单回归里被 carat 吸收了一部分得靠交互项才能拆出来。4.2 定性变量转因子与哑变量全模型cut、color、clarity 都是分级变量直接塞进lm()会被当成数值处理隐含「Fair1、Good2……Ideal5且相邻档的差距相等」这种强假设显然不成立。正确做法是让 R 自动生成哑变量。fit_full - lm(price ~ carat cut color clarity depth table x y z, data diamonds_fe) summary(fit_full) summary(fit_full)$r.squared # 0.88 上下 car::vif(fit_full) # 多重共线性重点看 x/y/zR 的处理逻辑是「n 个水平生成 n-1 个哑变量」被省掉的那个就是基准组。因为我们前面把 levels 定成了从差到好基准组落在 Fair、J、I1。所以cutIdeal的系数要读作「在克拉数、颜色、净度等其他条件相同的前提下Ideal 切工比 Fair 切工贵多少美元」。这个「其他条件相同」是关键也是它能和 3.2 节的分组中位数得出相反结论的原因。跑完vif()就会看到麻烦x、y、z 三个变量的 VIF 直接上千。这不奇怪体积是三者乘出来的长度和宽度本身相关系数就有 0.95 以上。系数符号会因此变得不可解释甚至出现 carat 系数为负这种荒唐结果。处理办法是二选一——要么保留 x/y/z 三个原始尺寸要么保留合成出来的 volume绝不混着放。我一般留 volume维度低、解释也方便。4.3 交互项与逐步回归筛选全模型有个隐含假设克拉对价格的边际影响在所有切工、颜色、净度档次上是同一个常数。这明显不对——一颗 2 克拉的 Ideal 切工钻石和一颗 2 克拉的 Fair 切工钻石价差应该比 0.3 克拉这一档大得多。交互项就是用来放开这个假设的。fit_int - lm(price ~ carat cut color clarity carat:cut carat:color carat:clarity depth table volume, data diamonds_fe) # 向后逐步回归按 AIC 删变量 fit_step - MASS::stepAIC(fit_int, direction backward, trace FALSE) summary(fit_step)三个交互项的含义分别是carat:cut捕捉「切工溢价随克拉变化」carat:color捕捉「颜色溢价随克拉变化」carat:clarity同理。跑出来大概率会看到carat:cutIdeal这类项系数为负解释是大克拉时 Ideal 相对 Fair 的溢价被摊薄了因为大克拉钻石的稀缺性本身就足以支撑高价切工的边际贡献反而下降。这个结论和 3.2 节的分组现象能对上互相印证。stepAIC默认用 AICk2direction backward表示从全模型开始逐个删。这里trace FALSE只是关掉每一步的打印想看删了哪些变量就把它设成 TRUE。如果你的目标是更简约的模型把准则换成 BIC 更狠——stepAIC(fit_int, direction backward, k log(nrow(diamonds_fe)))惩罚项从 2 变成 log(n)在 5 万多条样本下约为 10.9会砍掉更多边缘显著的变量。跑完你会发现所有交互项基本都被留下了这说明它们确实有信息量。但这不代表模型就没问题了交互项一多共线性又会抬头得回头看 VIF。4.4 显著性检验与回归诊断在信模型之前得先回答两个问题分组之间的价格差异是不是真的显著模型的残差符不符合线性回归的前提假设第一个问题用非参数检验因为价格分布右偏严重不满足方差分析的 normality 假设。# 分组中位数先看一眼 diamonds_fe %% group_by(color) %% summarise(n n(), median median(price)) %% arrange(desc(median)) # Kruskal-Wallis不要求正态比较各组分布位置 kruskal.test(price ~ cut, data diamonds_fe) kruskal.test(price ~ color, data diamonds_fe) kruskal.test(price ~ clarity, data diamonds_fe)三个检验的 p 值都会远小于 0.05结论是不同切工、颜色、净度之间的价格分布确实存在显著差异。注意 Kruskal-Wallis 检验的是「至少有一组的位置不同」不是「每一组两两都不同」想知道具体哪两组有差异还得上事后两两比较。正态性检验这一步有个硬限制shapiro.test的样本量必须在 3 到 5000 之间5 万多条直接报错。# 随机抽 5000 条做正态性检验 set.seed(42) shapiro.test(sample(diamonds_fe$price, 5000))结果 p 值极小拒绝正态。但别把这个结论太当回事——样本量到 5000 这个级别任何轻微偏离都会被判成显著。对大样本来说QQ 图比 p 值靠谱得多。所以真正的诊断还得看残差图par(mfrow c(2, 2)) plot(fit_full, which 1:4) par(mfrow c(1, 1)) # 异方差检验 lmtest::bptest(fit_full)四张图分别看不同问题。Residuals vs Fitted 如果出现喇叭口就是异方差QQ 图两端翘起说明残差厚尾Scale-Location 进一步确认方差是否恒定Residuals vs Leverage 看有没有 Cook 距离过大的强影响点经验阈值是 4/n5 万条样本下这个线非常低偶尔几个点超线属于正常。bptest的 p 值大概率极小异方差坐实。解决办法是对 price 取对数fit_log - lm(log(price) ~ carat cut color clarity depth table volume, data diamonds_fe) summary(fit_log)$r.squared # 接近 0.97对数模型的 R² 会明显高于原始尺度而且系数含义变成「百分比变化」解释起来更顺carat 系数乘以 100大致就是克拉数每增加 1 带来的价格涨幅百分比。如果一定要在原始尺度上做推断那就别改模型改用稳健标准误lmtest::coeftest配合sandwich::vcovHC系数不变标准误修正。5. 排查手册跑这套分析时最容易踩的五个坑5.1 数据层的三个坑坑一x/y/z 里的 0 值没清体积特征变成 0。现象是散点图上出现一条贴在 y 轴的竖线残差图里对应位置的点杠杆值异常高volume的分布直方图在 0 处有一根孤零零的柱子。原因很直接这部分记录的尺寸字段是 0x * y * z算出来就是 0。原始数据里这样的行有 20 条左右is.na()检查不出来因为它是 0 不是 NA。光看缺失值报告会觉得数据很干净实际上一脚踩空。解决就是在构造 volume 之前加一道subset(d2, x 0 y 0 z 0)顺手把carat为 0 的也过滤掉。检查习惯是每次造完派生变量summary()看一眼最小值非负变量最小值是 0 就该警觉。坑二因子水平顺序没定基准组选错系数全反着读。现象是summary(fit_full)里 cut 的系数全是负的看起来像「切工越好越便宜」跟 3.2 节的箱线图完全矛盾。原因是原始 diamonds 里 cut 的 levels 是 Fair 到 Ideal基准组是 Fair系数表示「相对 Fair 的差值」方向本该是正但如果中途用relevel或factor()重新排过序没注意基准组可能变成 Ideal那所有系数就都翻过来了。解决办法是建模前显式跑一遍levels(diamonds_fe$cut)把它打印出来确认。我现在固定把最差档放第一位写死在factor(levels ...)里不靠默认行为。坑三给因子加了ordered TRUE系数变成正交多项式。现象是模型跑完cut 那一栏的系数名变成了cut.L、cut.Q、cut.C数值看不懂也没法解释成「贵多少钱」。原因是 R 对有序因子默认使用contr.poly对比生成的是线性、二次、三次正交多项式项它是为趋势检验设计的不是为了读单个水平的效应。解决办法是别加ordered TRUE只用factor(levels ...)定顺序。如果确实需要有序语义比如做趋势检验那就得显式指定contrasts contr.treatment或者全局设options(contrasts c(contr.treatment, contr.poly))。5.2 建模层的两个坑坑四x/y/z 和 volume 同时进模型VIF 爆表、系数符号翻转。现象是car::vif()输出里 x、y、z 的 VIF 上千carat 的系数变成负数和 4.1 节简单回归里 7760 的正系数完全对不上。原因是这四个变量本质上是同一个东西的不同表达相关系数 0.95 以上模型无法稳定分配它们各自的贡献系数估计的方差被放大到失去意义。解决办法是二选一要么保留 x/y/z 三个原始尺寸要么保留合成的 volume绝不混放。判断标准很简单跑完模型第一件事就是看 VIF超过 10 就得处理超过 100 那模型基本没法用。坑五全量数据跑shapiro.test直接报错中断。现象是脚本跑到正态性检验那一步抛出sample size must be between 3 and 5000前面几十分钟的清洗和建模结果全白等。原因是 Shapiro-Wilk 检验的算法复杂度随样本量增长很快函数里硬编码了 5000 的上限。解决办法是抽样sample(x, 5000)配set.seed()保证可复现。更重要的是心态调整大样本下正态性检验几乎必然拒绝与其纠结 p 值不如直接看 QQ 图和残差-拟合图那才是判断假设是否成立的实际依据。6. 二次开发把一次性脚本改成能复用的小工具这套脚本跑通之后最自然的下一步是把它收成一个函数。原始代码是流水账式的改一个参数要动好几处封装成函数之后换数据、换公式、换是否取对数都只是一个入参的事。# 钻石价格回归分析一键流程 # param df 原始数据框需含 carat/price/cut/color/clarity 等列 # param formula 回归公式默认含三个分级变量 # param log_y 是否对 price 取对数默认 TRUE # param seed 抽样种子保证正态性检验可复现 # return 列表清洗后数据、模型对象、R²、VIF 最大值 analyze_diamonds - function(df, formula log(price) ~ carat cut color clarity, log_y TRUE, seed 42) { set.seed(seed) # 1) 清洗价格尾部 尺寸为正 q - quantile(df$price, c(0.25, 0.75), na.rm TRUE) iqr - IQR(df$price, na.rm TRUE) clean - subset(df, price q[1] - 3 * iqr price q[3] 3 * iqr x 0 y 0 z 0) # 2) 特征与因子顺序 clean - transform(clean, volume x * y * z, cut factor(cut, levels c(Fair,Good,Very Good,Premium,Ideal)), color factor(color, levels c(J,I,H,G,F,E,D)), clarity factor(clarity, levels c(I1,SI2,SI1,VS2,VS1,VVS2,VVS1,IF)) ) f - if (log_y) formula else update(formula, price ~ .) fit - lm(f, data clean) list( data clean, model fit, r2 summary(fit)$r.squared, max_vif max(car::vif(fit), na.rm TRUE) ) }sapply那句清洗逻辑是原有代码的直接搬运transform比mutate更适合这种不依赖 dplyr 的独立函数。update(formula, price ~ .)是动态换响应变量的写法避免在函数体里拼字符串。返回值里带上max_vif是为了让调用方一眼看出这次有没有掉进共线性的坑。三个模型放在一起对比差异就清楚了模型写法响应变量是否含交互项R² 量级主要问题price ~ caratprice否0.85截距无意义高克拉段系统性低估price ~ carat cut color clarity x y zprice否0.88x/y/z 共线性残差异方差log(price) ~ carat cut color clarity volumelog(price)否0.97系数是百分比语义绝对值需回代如果还想往前走一步两条路比较实用。一条是接rmarkdown把02_eda.R和03_model.R里的图和表直接嵌进参数化报告换个数据集就能出一份新的 PDF省掉手工拼图的时间。另一条是接shiny把predict()包一层输入克拉、切工、颜色、净度直接给出价格区间。做这个的时候记得把因子水平的取值范围限制在训练数据覆盖的区间内否则用户输一个 8 克拉模型会给出一个荒谬的外推值。我自己在这类项目上吃过一次亏早期图省事把所有变量一股脑塞进全模型看到 R² 涨了就以为万事大吉结果交付讨论时被问到「carat 系数为什么是负的」当场卡住。后来才发现是 x/y/z 和 carat 共线删掉三个尺寸变量系数立刻回到正轨。从那以后我每次跑完lm()都强制先走一遍vif()和残差图R² 再高也不跳过这一步。希望帮到你。本文还有配套的精品资源点击获取