R 选举/普查数据的多元线性回归&；结果误差

我有以下数据：

library(tidyverse)

df <- tibble(
  "racecmb" = c("White", "White", "White", "White", "White", "White", 
            "White", "White", "Black", "White", "Mixed", 
            "Black", "White", "White", "White"),
  "age" = c(77,74,55,62,60,59,32,91,75,73,43,67,58,18,57),
  "income" = c("10 to under $20,000", "100 to under $150,000", 
           "75 to under $100,000",  "75 to under $100,000",
           "10 to under $20,000", "20 to under $30,000",
           "100 to under $150,000", "20 to under $30,000",
           "100 to under $150,000", "20 to under $30,000",
           "100 to under $150,000", "Less than $10,000",
           "$150,000 or more", " 30 to under $40,000",
           "50 to under $75,000"),
  "party" = c("Independent", "Independent", "Independent", "Democrat", 
          "Independent", "Republican", "Independent", 
          "Independent", "Democrat", "Republican", "Republican", 
          "Democrat", "Democrat", "Independent", "Independent"),
 "ideology" = c("Moderate", "Moderate", "Conservative", "Moderate", 
             "Moderate", "Very conservative", "Moderate", 
             "Conservative", 
             "Conservative", "Moderate", "Conservative", 
             "Very conservative", "Liberal", "Moderate", "Conservative")
             )

我的目标是解释一些人投票的方式，但我不知道如何有效地为我的模型编码数据

---

非常感谢您的任何意见/建议……

因此，首先，对分类变量使用

lm（）

并不理想。您希望使用的是

rpart（）

，它可以将输出作为类别或类，或者您可以使用多项式logit/probit回归来返回给定条件下发生的结果概率

要安装的软件包：rpart和statisticalModeling

如果您没有分类响应变量，您可以将分类变量转换为虚拟变量，然后运行包含虚拟变量的回归（请记住保留一个作为基线）

这可以使用

fastDummies

软件包快速实现：

---

示例：

df您似乎试图用分类响应拟合线性模型。那没有多大意义。你能描述一下你想做什么吗？此外，确保在中共享样本数据，以便将其复制/粘贴到R中进行测试。示例数据中的空格使这变得很困难。那么我应该使用
glm（）
而不是
lm（）
？我想这会更有意义，也会让它重现。可以用公式中的
：
对交互进行编码，对吗？谢谢你的帮助！另外，当我尝试虚拟转换时，它只给出了一个错误：
stopifnot中的错误（is.null（选择_列）| is.character（选择_列），：未找到对象“意识形态”
-这是因为变量是一个因素吗？我似乎在代码中犯了一个错误。列名应该用引号括起来！因此应该是：
df
regression <- lm(party ~ income + ideo + age, data = df) %>%
   summary()

Error in lm.fit(x, y, offset = offset, singular.ok = singular.ok, ...) : 
NA/NaN/Inf in 'y'