R 具有计数自变量的连续因变量回归模型

我目前正在从事一个项目，我必须估计不同工作项（任务）的平均处理时间

我有以下面板数据：

我的样本量为n=2000名个体工人，T=10（每个时间间隔为四周）

• 自变量：51个不同的工作项。我有每个工作项的计数数据（每个工人在四周内执行的次数）

• 因变量：工人的总工作时间（4周内）

我分析的目标是找到回归系数（每个工作项的平均完成时间的估计值）。我还可能包括其他回归因素（工作项目除外），如经验、年龄。。。进入我的模型

y=Bo+B1*X1+…+BkXk+e y：总工作时间；X:#个工作项

问题：

现在，我完成了数据的清理和处理，并进行了一些探索性的数据分析

某些工作项有很多零（该工作项在一段时间内仅由多个工作人员执行一次或两次）

从VIF可以看出，自变量中存在不完全多重共线性。一些自变量的VIF为5到6

问题：

关于如何指定我的型号有什么建议吗 我查看箱线图并消除每个回归器的异常值，我看到一些回归器是高度倾斜的（由于大量的zéros）

我还绘制了每个回归系数与总完成时间的关系图，以查看是否存在任何线性关系。其他的看起来更像是二次关系

除了消除具有高VIF的回归系数外，还有什么办法处理多重共线性？这是因为我需要估计每个工作项的系数

我应该将截距设置为0吗？我确信当所有的回归系数都为0时（工作项的数量都为0，我的总工作时间应该为零）

---

我也欢迎任何关于这个问题的建议/事情。谢谢

我想这是属于你的。您进行此分析的目标是什么？预测工作时间，或者确定需要很长时间的工作项目，或者准确地量化每个项目的工作，或者？是否在所有（或大多数）时间段内观察到所有（或大多数）工人？谢谢，我也会将其张贴在那里。是的，目标是1）估计完成每个工作项目所需的平均小时数（回归系数），2）一旦我们有了线性模型，我还可以预测y（总工作时间，假设X是工人的工作项目数）是的，几乎所有工人在所有时间段都被观察到；因此，我可以使用面板数据来消除以后无法观察到的影响。到目前为止，我只分析了一段时间的数据。