r - glm 模型对训练后添加的未知因子水平有什么作用?
问题描述
我正在拟合一个带有特定因子变量的 glm 模型,其中的数据不包含我想要应用模型的数据中该变量的所有级别。可以忽略未知级别,因此无论模型为它们预测什么,我都不在乎,只要它将休息视为训练和应用数据中的级别相同即可。
由于应用程序数据中的未知因子水平会产生错误,因此我搜索了一种解决方法,并在此处找到了@matt_k 提供的一个很好的解决方法: “因子有新水平”错误我没有使用的变量
现在附加一个新级别仍然会发出警告消息:
In predict.lm(object, newdata, se.fit, scale = 1, type = ifelse(type == :
prediction from a rank-deficient fit may be misleading
所以我想知道到底发生了什么。我已经在一个非常简单的示例中进行了尝试,在-model中省略了圆柱6
级别:mpg
mtcars
mtcars$cyl <- as.factor(mtcars$cyl)
model <- glm(formula = mpg ~ cyl, data = mtcars[mtcars$cyl !=6,])
model$xlevels[["cyl"]] <- union(model$xlevels[["cyl"]], levels(mtcars$cyl))
mtcars$preds <- predict(model, newdata = mtcars)
head(mtcars,15)
给我:
mpg cyl disp hp drat wt qsec vs am gear carb preds
Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4 26.66364
Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4 26.66364
Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1 26.66364
Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1 26.66364
Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2 15.10000
Valiant 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1 26.66364
Duster 360 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4 15.10000
Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2 26.66364
Merc 230 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2 26.66364
Merc 280 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4 26.66364
Merc 280C 17.8 6 167.6 123 3.92 3.440 18.90 1 0 4 4 26.66364
Merc 450SE 16.4 8 275.8 180 3.07 4.070 17.40 0 0 3 3 15.10000
Merc 450SL 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3 3 15.10000
Merc 450SLC 15.2 8 275.8 180 3.07 3.780 18.00 0 0 3 3 15.10000
Cadillac Fleetwood 10.4 8 472.0 205 2.93 5.250 17.98 0 0 3 4 15.10000
对我来说,看起来模型只是从另一个因子级别(在这种情况下,用于cyl = 4
对 进行预测cyl = 6
)选择系数。因为这对我来说绝对没问题,如果有人能证实这确实是发生的事情,我将不胜感激。
解决方案
让我们从查看部分数据集的模型系数开始summary(model)
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 26.664 1.068 24.966 < 2e-16 ***
cyl8 -11.564 1.427 -8.102 3.45e-08 ***
的预测cyl8
等于截距 + 的影响cyl8
,因此 26.664 + -11.564 = 15.10。对于其他因子水平 ( cyl4
),预测值等于截距 (26.664)。添加一个未知的因子水平将产生相同的预测,因为 R 没有附加因子效应的基础(这些在原始模型中被排除)。我们可以看到,已知因素的估计不受在完整数据上估计模型的影响。
model2<- glm(formula = mpg ~ cyl, data = mtcars)
summary(model2)
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 26.6636 0.9718 27.437 < 2e-16 ***
cyl6 -6.9208 1.5583 -4.441 0.000119 ***
cyl8 -11.5636 1.2986 -8.905 8.57e-10 ***
您会看到cyl8
参考类别和参考类别的估计效果cyl4
没有变化(仍然分别为 15.10 和 26.66)。因此,该模型将对这些因子水平产生相同的预测。cyl6
但是,从新估计的系数中可以看出,预测值被高估了 6.92。
推荐阅读
- php - Ajax 不提交 WordPress 表单
- python - InterfaceError: (pyodbc.InterfaceError) ('IM002', '[IM002] [unixODBC][Driver Manager]Data source name not found, and no default driver specified (0)
- c - 为什么在尝试填充结构时出现分段错误(核心转储)或总线错误(核心转储)?
- mysql - 使用 group_concat mysql 查询时如何停止重复结果
- java - Java while循环在满足所有条件之前停止
- botframework - 使用机器人框架 SDK 中的 RenderedAdaptiveCards 自定义自适应卡片外观
- java - 获取数据时动态传递文件名?硒-java
- ios - 查看 Apple 钥匙串内容
- javascript - javascript 中 Fetch 和 XMLHttpRequest 的问题
- sublimetext - 我应该如何在平面文件中找回丢失的代码?