重回帰こんにちは、
応答が連続変数であり、予測子が混合されているシナリオがあります（2つ以上のレベルで連続的かつカテゴリカル）
応答で傾向が見られ、私の目標は、どの予測子がそれとともに傾向を示しているかを調査することです（言い換えると、傾向は特定のプロセスの悪い兆候であるため、どの予測子が応答傾向に大きく貢献しているかを調べます）。
重回帰を使用してさまざまな方法を試していますが、いくつか懸念があります。
原因となる傾向予測子を検出するために、変数のタイプごとに異なる回帰を実行する方がよいでしょうか（1回は数値のみ、次回はカテゴリのみ）。
すべての変数を使用してモデルを実行すると、いくつかの推定値に対していくつかのNAが得られます。これは、相関の兆候です。 この時点で、多重共線性を回避するためにどの変数を削除する必要があるかを決定する方法がわかりません。
私はいくつかのアイデアを期待しています。
ありがとう。
分析Re：重回帰あなたが言うとき、「傾向」...私はあなたが応答の時間ベースの体系的な変化を意味すると思います。 連続予測変数については、応答の収集の時系列を活用するグラフビルダーの単純なオーバーレイプロットを提案します（特定のxを効率的に強調表示するためのローカルデータフィルターを使用する場合があります）。 カテゴリ変数については、まだ潜んでいる時間要素がありますか？ たとえば、バッチ1、2、3、4などのように、後続の各バッチが時系列で制限されているとしますか？ カテゴリ変数の時系列がある場合は、[値の順序]列プロパティを使用して、グラフビルダーで正しい時系列に表示されるようにします。 あなたが本当に興味を持っているのがこの時間ベースの傾向を検出することだけであるなら...あなたはグラフビルダーで「それを見る」ことができるはずであり、モデリングに行く必要さえありません。
Re：重回帰実際、私はそれが起こったときよりもトレンドを引き起こしている変数にもっと興味があります。
ありがとう。Re：重回帰手元にあるデータセットとの共線性と特異点を疑っているように聞こえます。 完全な線形予測子から始めて、順方向に段階的に試すことができます。
また、広範囲の過剰適合を伴うパーティションを使用して、列の寄与を調べることもできます。 トップコントリビューターは本物である可能性が高いです。
Re：重回帰こんにちは、
この方法を使おうとしていますが、エラーに関連する多重共線性が発生するため、機能しません。
警告メッセージ：
leaps.setup（x、y、wt = wt、nbest = nbest、nvmax = nvmax、force.in = force.in、：
2つの線形依存関係が見つかりました
ご協力いただきありがとうございます。
