它的模型可能会变得更好，是的。

城市和社区是一个特别好的例子。安大略省的房屋价格差异很大。在多伦多，单户住宅的平均价格约为 100 万美元，而在我的家乡，这一数字只有一半左右。但是任何寻找过房屋的人都知道，城市内的价格会有所不同，而不仅仅是城市之间的差异，并且可以使用这种差异来获得更准确的估计。

这些类型的方法（城市中的社区，品牌中的模型）通常使用混合效应模型来处理。设是居住在邻域的城市中的房子的价格。邻域示例的一种可能模型如下。$y_{i, c, n}$$i$$c$$n$

$$\beta_{c} \sim \mathcal{N}(\beta_0, \sigma)$$

$$\beta_{n} \sim \mathcal{N}(\beta_0 + \beta_c, \sigma_c)$$

$$y_{i, c, b} \sim \mathcal{N}(\beta_0 + \beta_c + \beta_n, \sigma_n)$$

在这里，有一些人口水平的平均房价。城市水平的平均房价变化约为（在这里，我们将城市之间的变化理想化为来自具有一定方差的正态分布）。邻里平均房价再次被理想化为在城市平均房价附近变化，而个人住宅则在这个平均值附近。$\beta_0$$\beta_0$$\sigma^2_c$

简而言之，是的，保留这些变量可能很有用。它们是相关的（例如，仅当伦敦不是城市时肖尔迪奇不能出现），但它们可用于进一步解释更大类别内的变化。

大概这些街区是他们所在城市的独特之处，所以一旦你了解了街区，你就知道了这座城市。假设是这种情况，添加两个变量将导致模型过度参数化；您应该使用邻域变量而不是城市变量。问题不仅在于邻里和城市是相关的，而且后者是前者的确定性函数。