这里有个窍门。为简单起见，假设您正在尝试构建表单的模型

$$y = b_1 x_1 + b_2 x_2 + b_3 x_3,$$ 受制于$b_1 + b_2 + b_3 = 0$. 只需重新表达$b_3$作为$b_3 = - b_1 - b_2$，也就是说您正在尝试构建表单的模型 $$y = b_1 x_1 + b_2 x_2 - (b_1 + b_2) x_3 = b_1 (x_1 - x_3) + b_2 (x_2 - x_3).$$ 所以创建新变量$\tilde{x}_1 = x_1 - x_3,$和$\tilde{x}_2 = x_2 - x_3$，并使用这些转换后的变量作为自变量执行回归。

您应该能够独立地将此技巧应用于factor1和的类别factor2。（我假设数据以 0/1 指标表示各个类别的成员资格。）

您可以使用对比来做到这一点：

options(contrasts=c('contr.sum', 'contr.sum'))

有关?contr.sum更多信息，请参阅。

更新：稍微谷歌搜索会显示一个可能更清晰的页面：

• Samuel E. Buttrey，设置和保持对比

最简单的是使用适当的内置函数：

myContrasts <- list(factor1=contr.sum(length(levels(factor1))),
                    factor2=contr.sum(length(levels(factor2))))

model1 <- lm(Rate ~ factor1 + factor2, data=myData, contrasts=myContrasts)

有它的软件包。

一个例子是glmc - 受约束的广义线性模型。

请参阅此处的文档：http: //cran.r-project.org/web/packages/glmc/glmc.pdf

关于使用约束的优化技术的一个很好的概述可以在这里找到：http: //zoonek.free.fr/blosxom/R/2012-06-01_Optimization.html

示例代码（来自 glmc 文档）：

library(glmc)
#Specify the data.
n <- rbind(c(5903,230),c(5157,350))
mat <- matrix(0,nrow=sum(n),ncol=2)
mat <- rbind(matrix(1,nrow=n[1,1],ncol=1)%*%c(0,0),
matrix(1,nrow=n[1,2],ncol=1)%*%c(0,1),
matrix(1,nrow=n[2,1],ncol=1)%*%c(1,0),
matrix(1,nrow=n[2,2],ncol=1)%*%c(1,1))
#Specifying the population constraints.
gfr <- .06179*matrix(1,nrow=nrow(mat),ncol=1)
g <- matrix(1,nrow=nrow(mat),ncol=1)

amat <- matrix(mat[,2]*g-gfr,ncol=1)

hrh <- data.frame(birth=mat[,2], child=mat[,1], constraints=amat)
gfit <- glmc(birth~child, data=hrh, family="binomial",emplik.method="Owen",
control=glmc.control(maxit.glm=10,maxit.weights=200,
itertrace.weights=TRUE,gradtol.weights=10^(-6)))
summary.glmc(gfit)