我们可以根据需要缩放预测器，并且通常系数将简单地补偿，使得如果我们将预测器乘以100，则对应的系数将被除以100，反之亦然，而其他系数将不受影响。
如果某些预测变量接近线性相关，则可能会遇到问题，但即使不进行缩放也是如此，因此这实际上是一个单独的问题。查看插入符号中的findCorrelation以排除高度相关的预测变量，并在排除或不排除此类预测变量的情况下尝试，以查看它在您的情况下是否重要。
下面的第一个lm是我们的原始回归;在第二个lm中，我们将wt预测因子乘以100，我们看到系数只是被除以100，而其他系数保持不变;在第三个lm中，我们除以100，系数再次补偿，而其他系数再次保持不变。
还请注意，除了参数化之外，所有这三个模型实际上是相同的模型，因此它们会产生相同的拟合值、相同的残差和相同的残差平方和。

coef(lm(mpg ~ cyl + wt, mtcars))  # original lm
## (Intercept)         cyl          wt 
##   39.686261   -1.507795   -3.190972 

coef(lm(mpg ~ cyl + I(100 * wt), mtcars))
## (Intercept)         cyl I(100 * wt) 
## 39.68626148 -1.50779497 -0.03190972

coef(lm(mpg ~ cyl + I(wt/100), mtcars)) 
## (Intercept)         cyl   I(wt/100) 
##   39.686261   -1.507795 -319.097214

如果我们有一个对数预测器，那么将wt改为100*wt只会影响截距，因为log(100 * wt) = log(100) + log(wt)，在第一个lm下面我们取log(wt)，在第二个log(100*wt)下面我们取log(100*wt)。

coef(lm(mpg ~ cyl + log(wt), mtcars))
## (Intercept)         cyl     log(wt) 
##   40.649777   -1.233526  -11.523812 
 
coef(lm(mpg ~ cyl + log(100 * wt), mtcars))
## (Intercept)           cyl log(100 * wt) 
##   93.718894     -1.233526    -11.523812