如何使用效果编码而不是R中的虚拟编码进行回归？

机器算法验证 r 回归 分类数据 分类编码
2022-01-26 16:00:56

我目前正在研究一个回归模型，其中我只有分类/因子变量作为自变量。我的因变量是一个 logit 转换比率。

在 R 中运行正常回归是相当容易的，因为 R 自动知道如何对虚拟对象进行编码，因为它们是“因子”类型的。然而，这种类型的编码也意味着每个变量的一个类别被用作基线，因此难以解释。

我的教授告诉我只使用效果编码（-1 或 1），因为这意味着使用大均值进行截距。

有谁知道如何处理？

到目前为止，我已经尝试过：

gm <- mean(tapply(ds$ln.crea, ds$month,  mean))
model <- lm(ln.crea ~ month + month*month + year + year*year, data = ds, contrasts = list(gm = contr.sum))

Call:
lm(formula = ln.crea ~ month + month * month + year + year * 
    year, data = ds, contrasts = list(gm = contr.sum))

Residuals:
     Min       1Q   Median       3Q      Max 
-0.89483 -0.19239 -0.03651  0.14955  0.89671 

Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
(Intercept) -3.244493   0.204502 -15.865   <2e-16 ***
monthFeb    -0.124035   0.144604  -0.858   0.3928    
monthMar    -0.365223   0.144604  -2.526   0.0129 *  
monthApr    -0.240314   0.144604  -1.662   0.0993 .  
monthMay    -0.109138   0.144604  -0.755   0.4520    
monthJun    -0.350185   0.144604  -2.422   0.0170 *  
monthJul     0.050518   0.144604   0.349   0.7275    
monthAug    -0.206436   0.144604  -1.428   0.1562    
monthSep    -0.134197   0.142327  -0.943   0.3478    
monthOct    -0.178182   0.142327  -1.252   0.2132    
monthNov    -0.119126   0.142327  -0.837   0.4044    
monthDec    -0.147681   0.142327  -1.038   0.3017    
year1999     0.482988   0.200196   2.413   0.0174 *  
year2000    -0.018540   0.200196  -0.093   0.9264    
year2001    -0.166511   0.200196  -0.832   0.4073    
year2002    -0.056698   0.200196  -0.283   0.7775    
year2003    -0.173219   0.200196  -0.865   0.3887    
year2004     0.013831   0.200196   0.069   0.9450    
year2005     0.007362   0.200196   0.037   0.9707    
year2006    -0.281472   0.200196  -1.406   0.1625    
year2007    -0.266659   0.200196  -1.332   0.1855    
year2008    -0.248883   0.200196  -1.243   0.2164    
year2009    -0.153083   0.200196  -0.765   0.4461    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 

Residual standard error: 0.3391 on 113 degrees of freedom
Multiple R-squared: 0.3626, Adjusted R-squared: 0.2385 
F-statistic: 2.922 on 22 and 113 DF,  p-value: 0.0001131
2个回答

原则上，有两种类型的对比编码，截距将用它们估计大均值。这些是总和对比和重复对比（滑动差异）。

这是一个示例数据集：

set.seed(42)
x <- data.frame(a = c(rnorm(100,2), rnorm(100,1),rnorm(100,0)),
                b = rep(c("A", "B", "C"), each = 100))

条件的意思是：

tapply(x$a, x$b, mean)
         A           B           C 
2.03251482  0.91251629 -0.01036817

大意：

mean(tapply(x$a, x$b, mean))
[1] 0.978221

contrasts您可以使用 中的参数指定对比编码的类型lm。

总和对比

lm(a ~ b, x, contrasts = list(b = contr.sum))

Coefficients:
(Intercept)           b1           b2  
     0.9782       1.0543      -0.0657

截距是大均值。第一个斜率是第一个因子水平与均值之间的差异。第二个斜率是第二个因子水平与均值之间的差值。

反复对比

创建重复对比的功能是MASS包的一部分。

lm(a ~ b, x, contrasts = list(b = MASS::contr.sdif))

Coefficients:
(Intercept)         b2-1         b3-2  
     0.9782      -1.1200      -0.9229

截距是大均值。斜率表示连续因子水平之间的差异（2 对 1、3 对 2）。

吹毛求疵：如果你的教授告诉你用 编码你的变量(-1, 1)，他告诉你使用效果编码，而不是效果大小。无论如何，@user20650 是对的。像往常一样，UCLA 统计帮助网站有一个有用的页面，解释了如何使用 R 进行此操作。

其它你可能感兴趣的问题
上一篇多重 R 和 R 平方有什么区别？ 下一篇校正运行平均值中的异常值