R中的lm:解决';对比度';错误
我正在使用大量数据(5000万行)和biglm包创建一个线性模型。这是通过首先基于数据块创建线性模型来完成的,然后通过读取更多数据块(一百万行)并使用“biglm”中的“update”函数来更新模型。我的模型使用年份(20级因子)、温度和1或0的因子变量。代码如下所示:R中的lm:解决';对比度';错误,r,regression,lm,coefficients,R,Regression,Lm,Coefficients,我正在使用大量数据(5000万行)和biglm包创建一个线性模型。这是通过首先基于数据块创建线性模型来完成的,然后通过读取更多数据块(一百万行)并使用“biglm”中的“update”函数来更新模型。我的模型使用年份(20级因子)、温度和1或0的因子变量。代码如下所示: model = biglm(output~year:is_paid+temp,data = df) #creates my original model from a starting data frame, df newdat
model = biglm(output~year:is_paid+temp,data = df) #creates my original model from a starting data frame, df
newdata = file[i] #This is just an example of me getting a new chunk of data in; don't worry about it
model = update(model,data = newdata) #this is where the update to the new model with the new data happens
#the variable 'line' is a single line of data that has a '1' for is_paid
newdata = file[i] #again, an example of me reading in a new chunk of data. I know that this doesn't make sense by itself
newdata = rbind(line,newdata) #add in the sample line with '1' in is_paid to newdata
model = update(model,newdata) #update the data
问题是,is_paid factor变量几乎总是0。因此,有时当我读入一块数据时,is_paid列中的每个值都将为0,我显然会得到以下错误:
Error in `contrasts<-`(`*tmp*`, value = contr.funs[1 + isOF[nn]]) :
contrasts can be applied only to factors with 2 or more levels
以下是我的数据示例:
output year temp is_paid
1100518 12 40 0
2104518 12 29 0
1100200 15 17 0
1245110 16 18 0
5103128 14 30 0
这是我的样本行的一个例子,这是一个真实的记录,其中is_paid为1:
output year temp is_paid
31200599 12 49 1
在同一行中加一次又一次会扭曲我得到的变量系数吗?我在一些虚拟代码上进行了测试,它看起来不像是用相同的记录反复更新模型,但我对此表示怀疑
我觉得有一种更优雅、更聪明的方法可以做到这一点。我一直在阅读R教程,似乎有一种方法可以设置lm模型的对比度。我看了“lm”中的“对比度”论证,但什么都想不出来。我不认为你可以在biglm中设置对比度,这正是我需要使用的。我非常感谢你们能想到的任何见解或解决方案
*is_的数字变量与系数变量的比较:
df.num = data.frame(a = c(1:10),b = as.factor(rep(c(1,2,3,4,5),each = 2)),c = c(rep(0,each = 5),rep(1,each = 5)))
df.factor = data.frame(a = c(1:10),b = as.factor(rep(c(1,2,3,4,5),each = 2)),c = as.factor(c(rep(0,each = 5),rep(1,each = 5))))
mod.factor = lm(a~b:c,data = df.factor)
mod.num = lm(a~b:c,data = df.num)
> mod.factor
Call:
lm(formula = a ~ b:c, data = df.factor)
Coefficients:
(Intercept) b1:c0 b2:c0 b3:c0 b4:c0 b5:c0 b1:c1
9.5 -8.0 -6.0 -4.5 NA NA NA
b2:c1 b3:c1 b4:c1 b5:c1
NA -3.5 -2.0 NA
Call:
lm(formula = a ~ b:c, data = df.num)
Coefficients:
(Intercept) b1:c b2:c b3:c b4:c b5:c
3.0 NA NA 3.0 4.5 6.5
这里的结论是,如果支付的是数字,则模型会发生变化
****我还稍微编辑了我的模型,以查看两个因素的相互作用,而不仅仅是三个变量。这意味着我不能将“支付”视为一个数字(我认为)将本·博尔克的评论转化为一个答案,并有证据表明某些更好的模拟数据是有效的 只要把你的两个层次因素当作一个连续的因素。这与将其视为一个因素是一样的 例如:
df.num = data.frame(a = rnorm(12),
b = as.factor(rep(1:4,each = 3)),
c = rep(0:1, 6))
df.factor = df.num
df.factor$c = factor(df.factor$c)
mod.factor = lm(a~b*c - 1,data = df.factor)
mod.num = lm(a~b*c - 1,data = df.num)
all(coef(mod.factor) == coef(mod.num))
# [1] TRUE
为什么不能将两级因子变量转换成数字(例如,
作为.numeric(f)-1
)?安装的模型将是相同的。我将编辑我写的一个小例子,证明你是正确的。你在这种情况下是正确的,这一事实让我有点困惑。我以为你应该用因子来表示这样的指标变量。这是否仅适用于我仅使用1和0?抱歉,我第一次没有编写正确的模型公式。您的解决方案在公式输出~year+temp+is_pay时有效,但在查看两个因子变量(如我的模型)之间的相互作用时无效。在您的mod.factor
中,您有10个数据点,一个因子有5个级别,一个因子有2个级别。2*5=10,所以它是单数。这就是为什么您会得到NA
s。但是Ben Bolker是完全正确的。另外,通过在这两个因素中分别使用和模拟您的数据,您对b=1
或b=2
没有观察到c=1
。一切都井然有序。太好了,谢谢。你能把你的公式再扩展一点吗,特别是为什么在b*c后面加上“-1”?R公式中的-1
(相当于+0
)表示“不适合截距”。在只有分类变量的回归中,省略截距会使系数与0相比较,而不是与参考水平相比较。您可以从两个模型公式中删除-1
,模型之间的结果仍然相同(以及拟合质量),只有参数的标签和解释会改变。我明白了。非常感谢你的帖子。如果我添加了一个非分类变量,我还能使用“-1”吗?