（您可以从后行部分开始，以获得更简短的答案）首先，您绝对正确地说它首先取决于您的分析目的：预测平均价格（在宏观层面）或特定价格（在微观层面）、消费者偏好的因果分析（地区、大小、年龄、卧室数量、汽油、上班路途、噪音水平等）。其次，这种语言专业化将指导您选择适当的模型，最后指导您的数据要求。

根据您所写的，我假设您处理的是房地产定价模型。快速谷歌搜索后显示有很多方法可以指定模型。Simon P. Leblond 的文章 比较房地产定价模型的预测准确性：蒙特利尔市的一项应用研究可能是一个很好的入门参考。从实际的角度来看，您必须在加法或乘法回归模型之间进行选择。与加法模型相比，后者有几个优点：

• 参数估计（但截距项，垃圾回归参数）不受尺度变化的影响
• 对数转换变量的参数具有很好的弹性解释，即...
• 自然允许 规模收益递减限制（在房地产中，这可能是关键限制）
• 如果一个人研究平均价格，更稳健的平均是加权几何平均值而不是平均值（尽管这在微观层面上并没有太大的相关性）
• 您可以将价格设置为零，例如，如果您的公寓根本没有卧室（使用附加模型很难做到这一点）

在您继续之前，更重要的一件事是将您的每个观察结果视为一个独特的数据点，该数据点由决策者根据效用最大化行为共同设置在市场上。共同这意味着您不能将变量彼此分开（例如，对于大多数消费者而言，没有卧室的公寓的价值为零），但在那之后，消费者可能会也可能不喜欢所有属性捆绑在一起他或她的预算（口袋里的钱）才是最重要的。因此，标准化对于分析解释变量的相对重要性很有用，但要小心判断哪些变量不重要（所有因素都可能很重要）。在您观察的每种情况下，偏好和预算的异质性（购买者是不同的家庭）也说明了为什么微观层面的回归（不是平均水平左右）也可能具有误导性。最后，您有横截面（静态）数据。试图预测不同年份的价格（而不是您观察的年份），静态图片在不同时期效果不佳（假设您根据 2009 年的数据构建模型，追溯预测 2007 年或 2011 年的价格将不是很有用）。在这种情况下，至少尝试根据特定年份的平均价格变化来纠正结果。

关于您的特定问题（我个人为我的项目做的事情，或者至少假装做的事情）：

1. 列出您拥有的所有变量及其测量单位
2. 检查并重新检查数据是否存在插补错误
3. 对具有缺失值的点进行额外的插补（如果您有大量缺失值的数据集，您也可以简单地排除观察结果）
4. 使相似变量（平方米、货币单位等）的所有测量单位相同
5. 一下子想出一个简单的数据帧结构（需要与$R$方便）
6. 仅将原始数据带到$R$, 使所有对数、差异、分数转换为$R$直接（对数对于乘法模型很重要，一些优点在上面的前奏中；分数也很好，你可能想立即消除尺度（大小）效应，并强调由其他因素引起的差异）
7. 保留假人，但始终为截距项保留一级定性属性（如果不是，这将成为模型中纯多重共线性问题的根源）
8. 出于您的目的，您可以应用普通最小二乘法 (OLS)，尽管在定价模型中我也会考虑 tobit 或 Heckman 模型，它们确实需要特殊处理（我早期关于定价的可能不太成功的帖子之一是对这个）
9. OLS 很简单，通常的残差分析（可在计量经济学教科书中找到）已完成。违反一些假设，您可能会采用广义方法、工具变量、脊回归、自回归残差治疗，但是......您真正需要知道的是：参数估计在理论上是否合理（值、符号等）？
10. 只是一个不错的数字...欢迎来自社区的任何补充。

您要预测的房地产价格是连续/按时间顺序的值，即时间序列数据，还是不同类别的价格，例如今年同一时间范围内不同类别的价格。你可能想读一下我写的关于这两种问题的东西，因为它警告说，如果你正在处理纵向数据（时间序列），那么普通的横截面回归工具通常不会适用。它的标题是“回归 vs Box-Jenkins” http://www.autobox.com/pdfs/regvsbox.pdf。

将数据分箱通常不是一个好主意，因为它会导致您丢失信息，这可能会导致断电。此外，我很少在进行回归之前对变量进行标准化，尽管有些人可能喜欢这样做。

如果可以的话，一本非常值得阅读的书是 Frank Harrell 的“Regression Modeling Strategies”。

对于预处理，我总是喜欢包括异常值检测和删除不良数据。如果您的数据具有不同的规模，那么标准化数据是一个好主意（标准化）。就技术而言，将所有变量以及预测变量相互绘制和绘制总是值得的。这将告诉您很多关于您可以对数据做出哪些假设，例如线性、方差相等、正态性，并且可以更好地帮助您选择一种技术。