在使用 R 计算回归模型时，我经常使用 relevel 函数来让我的模型也为我提供另一个级别的结果。我注意到有时，但不经常，这会改变模型，因为在重新调整之前重要的其他因素的水平不再存在。这是重新调平所固有的还是异常的，可能是由于我的数据存在问题？它是否表明我的数据可能不满足线性模型的先决条件之一？

与此相关，如果我使用 relevel，重新计算我的模型，然后在我的文章中报告两个模型的显着性值，是否可以？如果两个模型对于某个因素的重要性不同，我想我应该选择一个不太乐观的模型吗？

我想我的问题暴露了我对 lm 的了解不够，无法掌握基本级别的需要。我以为我理解得很好；）不知何故，我读过的介绍都没有解释这一点，或者我太笨了，无法理解。因此，如果有人可以将我引导到一个站点，其中解释了在 lm 中具有基本级别的点或自己解释它，那也很棒！

编辑：这是一个最小的例子：

library(datasets)
sprays<-OrchardSprays
model<-lm(decrease~treatment+rowpos+colpos,data=sprays)
summary(model)

摘要的一部分说

treatmentC    20.625      9.731   2.120  0.03866 *

因此，如果治疗 == C，这对“减少”有显着的积极影响。现在我将“治疗”重新分级为 B，以了解治疗 == A 的影响：

sprays$treatment<-relevel(sprays$treatment,"B")
summary(model)

现在治疗 == C 在这个新模型中并不重要：

treatmentC    17.625      9.731   1.811  0.07567 .

抱歉发错地方了！我可以将我的问题移至 stats statexchange 还是应该在那里打开一个新问题？