预测变量的分布在回归中几乎无关紧要，因为您以它们的值为条件。除非唯一值很少并且其中一些没有很好地填充，否则不需要更改为因子。

但是对于非常偏斜的预测变量，该模型可能更适合转换。我倾向于使用$\sqrt{}$和$x^{\frac{1}{3}}$因为这些允许零，不像$\log(x)$. 然后，当样本量允许时，我在回归拆分中扩展转换后的变量以使它们充分拟合，例如

require(rms)
cuber <- function(x) x^(1/3)
f <- lrm(y ~ rcs(cuber(x1), 4) + rcs(cuber(x2), 4) + rcs(x3, 5) + sex)

rcs表示“受限三次样条”（自然样条），变量或变换变量后面的数字是节点数（比样条中非线性项的数量多两个）。当您使分布更加对称时（此处使用立方根），它通常需要更少的结来获得良好的拟合。

AIC 可以帮助选择节数$k$如果您强制所有变量具有相同的结数。以下，$k=0$与初始变换后的线性度相同。

for(k in c(0, 3:7)) {
  f <- lrm(y ~ rcs(cuber(x1),k) + rcs(cuber(x2),k) + rcs(x3, k) + sex)
  print(AIC(f))
}