wat*_*wer 3 regression r dummy-variable
我正在从Stata转换到R.在Stata中,如果我将因子级别(比如-0和1)标记为(M和F),则0和1将保持不变.此外,在大多数软件(包括Excel和SPSS)中,这是虚拟变量线性回归所必需的.
但是,我注意到R默认因子水平为1,2而不是0,1.我不知道为什么R会这样做,尽管内部(并且正确地)回归假定0和1作为因子变量.我将不胜感激任何帮助.
这是我做的:
尝试#1:
sex<-c(0,1,0,1,1)
sex<-factor(sex,levels = c(1,0),labels = c("F","M"))
str(sex)
Factor w/ 2 levels "F","M": 2 1 2 1 1
似乎因子水平现在重置为1和2.我相信1和2是这里对因子水平的引用.但是,我丢失了原始值,即0和1.
Try2:
sex<-c(0,1,0,1,1)
sex<-factor(sex,levels = c(0,1),labels = c("F","M"))
str(sex)
Factor w/ 2 levels "F","M": 1 2 1 2 2
同上.我的0和1现在是1和2.非常令人惊讶.为什么会这样呢？
Try3 现在,我想知道1和2是否有任何不良影响回归.所以,这就是我做的:
这是我的数据:
> head(data.frame(sassign$total_,sassign$gender))
sassign.total_ sassign.gender
1 357 M
2 138 M
3 172 F
4 272 F
5 149 F
6 113 F
myfit<-lm(sassign$total_ ~ sassign$gender)
myfit$coefficients
(Intercept) sassign$genderM
200.63522 23.00606
事实证明,手段是正确的.在运行回归时,R确实使用0和1值作为假人.
我确实在SO上检查了其他线程,但是他们主要讨论R代码如何在不告诉我原因的情况下对变量进 Stata和SPSS通常要求基变量为"0".所以,我想到了这个问题.
我很感激任何想法.
R不是Stata.而且你需要忘掉很多关于虚拟变量构造的教学内容.R为你做幕后工作.你不能使R的行为与Stata完全相同.是的,R在模型矩阵列中的"F"级别确实有0和1',但是这些乘以因子值(在这种情况下为1和2).然而,对比总是关于差异,差异btwn(0,1)与差异btwn(1,2)相同.
一个数据示例:
dput(dat)
structure(list(total = c(357L, 138L, 172L, 272L, 149L, 113L),
gender = structure(c(2L, 2L, 1L, 1L, 1L, 1L), .Label = c("F",
"M"), class = "factor")), .Names = c("total", "gender"), row.names = c("1",
"2", "3", "4", "5", "6"), class = "data.frame")
这两个回归模型具有不同的模型矩阵(模型矩阵是R如何构造其"虚拟变量".
> myfit<-lm(total ~ gender, dat)
>
> myfit$coefficients
(Intercept) genderM
176.5 71.0
> dat$gender=factor(dat$gender, levels=c("M","F") )
> myfit<-lm(total ~ gender, dat)
>
> myfit$coefficients
(Intercept) genderF
247.5 -71.0
> model.matrix(myfit)
(Intercept) genderF
1 1 0
2 1 0
3 1 1
4 1 1
5 1 1
6 1 1
attr(,"assign")
[1] 0 1
attr(,"contrasts")
attr(,"contrasts")$gender
[1] "contr.treatment"
> dat$gender=factor(dat$gender, levels=c("F","M") )
> myfit<-lm(total ~ gender, dat)
>
> myfit$coefficients
(Intercept) genderM
176.5 71.0
> model.matrix(myfit)
(Intercept) genderM
1 1 1
2 1 1
3 1 0
4 1 0
5 1 0
6 1 0
attr(,"assign")
[1] 0 1
attr(,"contrasts")
attr(,"contrasts")$gender
[1] "contr.treatment"
简而言之,您只是混合了两个不同的概念.我将在下面逐一澄清它们.
你看到的整数的含义 str()
您从中看到的str()是因子变量的内部表示.因子在内部是一个整数,其中数字给出了向量内的级别位置.例如:
x <- gl(3, 2, labels = letters[1:3])
#[1] a a b b c c
#Levels: a b c
storage.mode(x) ## or `typeof(x)`
#[1] "integer"
str(x)
# Factor w/ 3 levels "a","b","c": 1 1 2 2 3 3
as.integer(x)
#[1] 1 1 2 2 3 3
levels(x)
#[1] "a" "b" "c"
这种立场的一个常见用途是以as.character(x)最有效的方式执行:
levels(x)[x]
#[1] "a" "a" "b" "b" "c" "c"
您对模型矩阵的外观有误解
在我看来,你认为模型矩阵是通过
cbind(1L, as.integer(x))
# [,1] [,2]
#[1,] 1 1
#[2,] 1 1
#[3,] 1 2
#[4,] 1 2
#[5,] 1 3
#[6,] 1 3
这不是真的.以这种方式,您只是将因子变量视为数值变量.
模型矩阵以这种方式构造:
xlevels <- levels(x)
cbind(1L, match(x, xlevels[2], nomatch=0), match(x, xlevels[3], nomatch=0))
# [,1] [,2] [,3]
#[1,] 1 0 0
#[2,] 1 0 0
#[3,] 1 1 0
#[4,] 1 1 0
#[5,] 1 0 1
#[6,] 1 0 1
的1和0分别意味着"匹配" /"发生"和"不匹配" /"无发生".
R例程model.matrix将通过易于读取的列名和行名有效地为您完成此操作:
model.matrix(~x)
# (Intercept) xb xc
#1 1 0 0
#2 1 0 0
#3 1 1 0
#4 1 1 0
#5 1 0 1
#6 1 0 1
写一个R函数来自己生成一个模型矩阵
我们可以编写一个名义例程mm来生成模型矩阵.虽然它的效率低得多model.matrix,但它可以帮助人们更好地消化这个概念.
mm <- function (x, contrast = TRUE) {
xlevels <- levels(x)
lst <- lapply(xlevels, function (z) match(x, z, nomatch = 0L))
if (contrast) do.call("cbind", c(list(1L), lst[-1]))
else do.call("cbind", lst)
}
例如,如果我们有一个y5级的因子:
set.seed(1); y <- factor(sample(1:5, 10, replace=TRUE), labels = letters[1:5])
y
# [1] b b c e b e e d d a
#Levels: a b c d e
str(y)
#Factor w/ 5 levels "a","b","c","d",..: 2 2 3 5 2 5 5 4 4 1
其有/无对比处理的模型矩阵分别为:
mm(y, TRUE)
# [,1] [,2] [,3] [,4] [,5]
# [1,] 1 1 0 0 0
# [2,] 1 1 0 0 0
# [3,] 1 0 1 0 0
# [4,] 1 0 0 0 1
# [5,] 1 1 0 0 0
# [6,] 1 0 0 0 1
# [7,] 1 0 0 0 1
# [8,] 1 0 0 1 0
# [9,] 1 0 0 1 0
#[10,] 1 0 0 0 0
mm(y, FALSE)
# [,1] [,2] [,3] [,4] [,5]
# [1,] 0 1 0 0 0
# [2,] 0 1 0 0 0
# [3,] 0 0 1 0 0
# [4,] 0 0 0 0 1
# [5,] 0 1 0 0 0
# [6,] 0 0 0 0 1
# [7,] 0 0 0 0 1
# [8,] 0 0 0 1 0
# [9,] 0 0 0 1 0
#[10,] 1 0 0 0 0
相应的model.matrix电话将分别为:
model.matrix(~ y)
model.matrix(~ y - 1)