我正在使用 lm() 做一个多线性回归模型，Y 是响应变量（例如：利息回报），其他是解释变量（100 多个案例，30 多个变量）。
有某些变量被视为关键变量（与投资有关），当我运行 lm() 函数时，R 返回一个 adj.r.square 为 97% 的模型。但一些关键变量并不是重要的预测因素。
有没有办法通过保留模型中的所有关键变量（作为重要预测变量）来进行回归？调整后的R平方是否减小也没关系。
如果回归不起作用，还有其他方法吗？
谢谢你！
=========================
数据集上传 https://www.dropbox.com/s/gh61obgn2jr043y/df.csv
=========================
附加问题：如果某些变量对前期和本期有影响怎么办？示例：一个人在早上吃早餐时服用一颗药丸，药丸的效果可能会在午餐后持续（并且他/她在午餐时服用第二颗药丸）我想我需要考虑数据转换。* 我的第一选择是加上结转率：obs.2_trans = obs.2 + corate * obs.1 * 也许我还需要考虑药丸效应本身的衰减，所以是s曲线或指数变换也是必要的。
以变量 main1 为例，我可以使用 try-out 方法来获得理想的协同率和 s 曲线参数，从 0.5 开始，以 0.05 为步长进行测试，向上到 1 或向下到 0，直到获得最高的模型分数 -例如，最低的 AIC 或最高的 R 平方。这已经是一个巨大的测试量了。如果我需要同时测试 3 个以上的变量，我该如何通过 R 进行管理？
谢谢你！