极客教程R语言 如何在回归中包含因子
分类变量（也被称为因子或定性变量）是将观察值分类的变量。它们是字符串或数字，在统计建模中被称为因子变量。将正常的字符串变量保存为因子可以节省大量的内存。因子也可以作为水平变量或标签变量来存储。它们有数量有限的不同值，称为水平。例如，个人的性别是一个分类变量，可以有两个级别： 男性或女性。 回归需要数字变量。因此，当研究人员想在回归模型中包括一个分类变量时，需要采取一些步骤来使结果可以解释。让我们通过一个R语言的代码例子来看看这一切。
在R语言中的实现
将字符串或数字存储为因子
首先，让我们创建一个样本数据集。
# creating sample
samp <- sample(0:1, 20, replace = TRUE)
samp
输出
[1] 1 1 0 1 1 1 0 0 1 0 0 1 1 1 1 1 1 1 0 1
转换设置为因子的数字。
samp <- sample(0:1, 20, replace = TRUE)
# converting sampleto factors
samp1 <- factor(samp)
# to find if its a factor lets use is.factor()
is.factor(samp1)
输出
[5]TRUE
现在对弦乐做同样的事情。
# creating string sample
str1 <- c("small", "big", "medium", "small", "small",
"big", "medium", "medium", "big")
str1
# will show output of string
f.str1<-factor(str1)
# check if f.str1 is factor or not
is.factor(f.str1)
# check if str1 is factor or not
is.factor(str1)
输出
[1]"small" "big" "medium" "small" "small" "big" "medium" "medium" "big"
[10]TRUE
[12]FALSE
有标签的因素
# creating sample with labels
lab <- factor(samp1, labels = c("sweet", "bitter"))
lab
输出
bitter bitter sweet bitter bitter bitter sweet sweet bitter sweet
[11] sweet bitter bitter bitter bitter bitter bitter bitter sweet bitter
Levels: sweet bitter
有序因素
str1 <- c("small", "big", "medium", "small", "small",
"big", "medium", "medium", "big")
# ordering the factors w.r.t levels
order <- ordered(str1,
levels = c("small", "medium", "big"))
order
f.order <- factor(order)
输出
[1] small big medium small small big medium medium big
Levels: small < medium < big
另一种使一个因素有序化的方法是。
# another way to order
f.order = factor(str1,
levels = c("small", "medium", "big"),
ordered = TRUE)
为了找到平均数
mean(samp1)
# shows NA has output
mean(as.numeric(levels(samp1)[samp1]))
NA
0.7
撤消级别
f.new <- f.order[f.order != "small"]
f.new
输出
[1] big medium big medium medium big
Levels: small < medium < big
用回归法实施
将实验视为学生在节日期间呆在学校的时间。
# consider a dataframe student
student <- data.frame(
# id of students
id = c (1:5),
# name of students
name = c("Payal", "Dan", "Misty", "Ryan", "Gargi"),
# gender of students
gender = c("F", "M", "F", "M", "F"),
# gender represented in numbers F-1,M-0
gender_num = c(1, 0, 1, 0, 1),
# the hours students stay at fests
hours = c(2.5, 4, 5.3, 3, 2.2)
)
student
输出
id name gender gender_num hours
1 1 Payal F 1 2.5
2 2 Dan M 0 4.0
3 3 Misty F 1 5.3
4 4 Ryan M 0 3.0
5 5 Gargi F 1 2.2
回归方程为
**y = b 0 + b1 *x **
其中
y： 在预测变量（x）的基础上预测的输出变量。
**b 0 + b1 ： **β系数，分别代表截距和斜率。
**b 0 + b1： **如果一个学生是男性， **b 0： **如果一个学生是女性。这些系数可以解释如下。
- **b 0 **是女学生在节庆活动中停留的平均时间。
- **b 0 + b1 **是男学生在节庆活动中停留的平均小时数，而
- **b 1 **是男女学生之间的平均时间差。
R通过以下代码自动创建虚拟变量。
# making the regression model
model <- lm(hours ~ gender, data = student)
summary(model)$coef
输出
Estimate Std. Error t value Pr(>|t|)
(Intercept) 3.3333333 0.8397531 3.9694209 0.02857616
genderM 0.1666667 1.3277662 0.1255241 0.90804814
F学生的估计值为3.3333333，M学生的估计值为0.16666667。男学生和女学生的Pr值并不显著，只有0.90-0.02 ~ 0.9，也就是说，没有实际证据表明男学生比女学生呆的时间多。