다중 회귀여보세요,
내 반응이 연속 변수이고 예측 변수가 혼합 된 시나리오가 있습니다 (2 개 이상의 수준으로 연속 및 범주).
응답에서 나는 추세를보고 내 목표는 어떤 예측자가 그것과 함께 추세를 보이고 있는지 조사하는 것입니다. (추세가 주어진 프로세스에 대한 나쁜 신호이기 때문에 대부분의 예측자가 반응 추세에 더 많이 기여하는 다른 단어입니다.)
다중 회귀를 사용하여 다른 방법을 시도하고 있지만 몇 가지 우려 사항이 있습니다.
원인 추세 예측자를 탐지하기 위해 각 유형의 변수에 대해 다른 회귀를 실행하는 것이 더 좋을까요? (숫자 만 사용하고 다음에 범주 형 만 사용)
모든 변수를 사용하여 모델을 실행할 때 일부 추정치에 대한 NA를 얻고 이것은 상관 관계의 신호입니다. 이 시점에서는 다중 공선 성을 피하기 위해 어떤 변수를 제거해야하는지 결정하는 방법을 잘 모르겠습니다.
몇 가지 아이디어를 바랍니다.
감사.
해석학Re : 다중 회귀'트렌드'라고하면 ... 시간 기반의 체계적인 반응 변화를 의미한다고 생각합니다. 연속 예측 변수의 경우 응답 수집의 시간 순서를 활용하는 그래프 빌더에서 간단한 오버레이 플롯을 제안합니다 (특정 x를 효율적으로 강조하기 위해 로컬 데이터 필터를 사용하는 경우도 있음). 범주 형 변수의 경우 여전히 숨어있는 시간 요소가 있습니까? 배치 1, 2, 3, 4 등과 같이 각 후속 배치가 시간 순서로 제한되는 경우가 있습니까? 범주 형 변수에 대한 시간 순서가있는 경우 값 순서 열 속성을 사용하여 그래프 작성기에서 올바른 시간 순서로 표시되도록합니다. 당신이 정말로 관심이있는 모든 것이이 시간 기반 트렌드를 감지하는 것이라면 ... 그래프 빌더에서 '볼 수 있고'모델링에 갈 필요조차 없습니다.
Re : 다중 회귀사실 저는 트렌드를 일으킨 변수에 더 관심이 있습니다.
감사.Re : 다중 회귀데이터 세트와 함께 공선 성과 특이점이 의심되는 것처럼 들립니다. 완전한 선형 예측 자로 시작하여 순방향으로 Stepwise를 시도 할 수 있습니다.
광범위한 과적 합으로 파티션을 사용한 다음 열 기여도를 조사 할 수도 있습니다. 최우수 기여자는 실제 일 가능성이 높습니다.
Re : 다중 회귀여보세요,
이 방법을 사용하려고하는데 오류 관련 다중 공선 성을 제공하기 때문에 작동하지 않습니다.
경고 메시지 :
leaps.setup (x, y, wt = wt, nbest = nbest, nvmax = nvmax, force.in = force.in, :
2 개의 선형 종속성 발견
당신의 도움을 주셔서 감사합니다.
