Qué variables incluir en un modelo inmobiliario vs noEstoy trabajando en una tarea que me pregunta si incluir o no variables para un modelo inmobiliario. El objetivo del modelo es predecir el precio. Las variables incluyen ubicación, código postal, dirección, camas, baños, pies cuadrados, precio, tamaño del lote. El conjunto de datos tiene valores perdidos y también tiene valores atípicos. Tengo dos preguntas:
¿Existe una buena práctica para decidir qué variables incluir en un modelo (por ejemplo, si las variables tienen un 30% de valores perdidos, las excluye o incluye)?
¿Existe una buena práctica para decidir si incluir o excluir en un modelo basado en variables continuas vs nominales ... (por ejemplo, zip vs ubicación vs ciudad) necesitaremos todas esas variables en un modelo o una llevará más ¿peso?
Agradezco la ayuda. ¡Gracias!
AnalíticaTabla de datosRe: que variables incluir en un modelo inmobiliario vs noMis pensamientos:
1. La selección de variables para un estudio debe ser, ante todo, una función de sus hipótesis. Esta es su explicación de POR QUÉ la variable debería o no tener alguna relación con las variables de respuesta.
2. Un segundo tema es el problema de la multicolinealidad. Debe tener cuidado de tener múltiples factores que estén vinculados a las mismas hipótesis. Entonces, por ejemplo, parece que la ubicación y el zip parecen colineales.
3. Tanto los datos faltantes como los valores atípicos pueden tener un efecto dramático en el modelado. ¿Cuántos datos faltantes son demasiados? Probablemente depende del tamaño de todo el conjunto de datos. ¿Por qué faltan datos?
4. No estoy seguro de cuál es la mejor práctica, ya que hay aquellas que comienzan con "todas las variables" y eliminan las que tienen poco efecto y hay aquellas que construyen el modelo agregando variables (paso a paso). En cualquier caso, el proceso es iterativo y, lamentablemente, la metodología más eficiente / eficaz puede depender de la situación.
5. Tienes más información y flexibilidad con variables continuas.
Te sugiero que comiences con los tutoriales de JMP como este:
https://www.jmp.com/en_us/online-statistics-course.html
