您可以尝试实施预测模型，如线性回归或决策树，然后使用该模型测量特征重要性。然而，衡量特征的重要性是一个模糊的概念。这个问题说明了特征重要性在回归模型中并不是简单地衡量的。本文展示了如何衡量决策树中特征的重要性。对我来说，这些只是线性相关性的更丰富的度量。距离相关性是另一种不需要预测模型的度量，并且比线性相关性更有意义。

要明确获得一个变量对另一个特征的贡献百分比，您可以取它们的（成对 Pearson）相关性并将其平方。那是一种变异的百分比，可以解释为另一种变异的百分比。（这是线性回归的 R 平方，如果您只是对另一个变量进行回归。）

同样，如果您想控制其他因素（例如，您想控制星期几），您可以只使用控制变量运行线性回归，然后使用这些控制变量和另一个预测变量。这些模型之间调整后的 R 平方的差异将是收入的变化有多少是由另一个预测变量解释的，超出了您的控制解释的范围，并且添加另一个变量会有轻微的过度拟合惩罚。