Проблема использования факторов в качестве независимых переменных в регрессии лучших подмножеств (скачки или regsubsets)

Question

Я пытаюсь сделать наилучшую регрессию подмножеств в R. Используя либо leaps(), либо regsubsets() (из пакета leaps), он работает отлично, если все мои независимые (пояснительные) переменные являются числовыми. Но если я включу фактор, он завершается с сообщением об ошибке:

Ошибка в leaps.setup (x, y, wt = wt, nbest = nbest, nvmax = NCOL (x) + int,: NA / NaN / Inf в вызове сторонней функции (arg 3) Дополнительно: Предупреждение: В leaps.setup (x, y, wt = wt, nbest = nbest, nvmax = NCOL (x) + int,: только первыйстрока в символьном векторе, используемом в .Fortran

Я просканировал весь свой набор данных, и в нем абсолютно отсутствуют значения NA / NaN / Inf;также попытался сгенерировать искусственные значения факторов вместо того, чтобы использовать значения из моего набора данных, и я получил тот же результат.Если я создаю фиктивные переменные вне R для представления значений факторов, то он работает отлично, поэтому ничего нельзя сделатьс самими данными. Я пробовал это с метками и без меток для уровней факторов, а также с числовыми или символьными значениями коэффициентов в исходных данных: одинаковый результат в каждом случае. Вот один из способов, которые я использовал:

zoo1 <- within(panda, AltitudeZoo1 <- relevel(factor(Altitude), "2134"))

Все же документация по заявкам онлайнэти факторы могут быть использованы в leaps(), например в этом документе . Я обнаружил различные сообщения, в том числе в StackOverflow, о примерно одинаковом сообщении об ошибке (обычно различающемся числом, на которое жаловался аргумент "), но все они касаются процедуры randomForest.

Не имеет значения,используйте leaps() или regsubsets().

Есть идеи? Обходной путь - вернуться к созданию фиктивных переменных вне R, но это раздражает.

Вот воспроизводимый пример: сначала код

reprex = read.csv("reprexdata.csv", head = T)
library(leaps)

##creating dummy variable
reprex$xfactordata.f<-factor(reprex$xfactordata)
##checking dummy variables work ok with simple regression
m<-lm(reprex$y~reprex$x1data+reprex$x2data+reprex$xfactordata.f) 
summary(m)

##now try best subsets regression
y<-reprex$y
x <- reprex[,c (2,3,5)] ## picks up x1data, x2data, xfactordata.f
Z <- leaps(x,y, method = "adjr2", nbest = 1) ## running leaps subset regression
Z

Далее, данные, которые я протестировал вышекод, который должным образом выдает ошибку, о которой сообщалось ранее (33 строки):

ydata   x1data  x2data  xfactordata
139.3983228 2   0.555555556 2134
159.4909669 1   0.28125 2134
162.979101  0   0   1780
158.523721  0   0   1780
167.9430665 1   0.526509081 2134
150.4105583 1   0.21875 2134
136.6799004 2   8.428819444 2134
142.9603016 1   0.026041667 2134
149.3782133 1   0.364583333 2134
162.3022502 0   2.725694444 2084
159.8686527 0   1.085069444 2084
129.5367811 0   14.04513889 2084
133.8219284 0   8.697916667 2084
152.7590267 2   2.81421023  2134
167.6079507 1   0.251736111 1780
157.4867615 2   0.915798611 2134
146.8897681 2   1.40625 2134
151.4678525 1   0.769842804 2134
174.3412577 2   2.612847222 2084
150.0527068 2   0.885416667 2134
139.3348421 1   2.560763889 2134
159.4110442 2   1.66626408  2134
164.2695334 2   0.958333333 2134
154.5591851 1   1.980372102 2134
160.5290024 1   1.225   2134
154.4028751 1   1.370983414 2134
144.0339001 1   0.520833333 2134
145.5653995 2   0   2134
161.8175311 1   1.271701389 2134
139.338698  1   3.8875  2134
163.2222006 1   0.703125    2084
146.2958403 1   0   2134

Answer 1

Для функции leaps() требуется матрица модели (т. Е. Матрица только числовых значений, тогда как regsubsets может принимать аргумент формулы (который автоматически создает матрицу модели из набора указанных предикторов,возможно, включая факторы); пример, который вы связываете (я думаю, я бы назвал это "примером", а не "документацией"; справочная документация из пакета (например, здесь ) ненигде не показывайте пример и не говорите явно, что факторы разрешены (это говорит только о том, что x является «матрицей предикторов», которая технически не допускает факторы - факторы преобразуются в character, когда вы пытаетесь их поместитьв матрицу).

Вот как можно преобразовать набор предикторов, включающих один или несколько факторов, в числовую матрицу предсказаний (включая факторы в виде нескольких фиктивных переменных):

x <- model.matrix(~x1data+x2data+xfactordata.f, data=reprex)
Z <- leaps(x, reprex$y, method="adjr2", nbest=1)

вв вашем конкретном примере это возвращает ошибку

прыжки требуют полной матрицы проектирования; используйте regsubsets ()

, но ядумаю, это потому, что ваш пример искусственно мал (вы случайно собрали набор идеально коллинеарных предикторов).

Как заявлено, regsubsets() делает этот шаг автоматически, если вы задаете формулу:

regsubsets(y~x1data+x2data+xfactordata.f, data=reprex)

Если вы знаете, что хотите использовать все столбцы в фрейме данных как предикторы, кроме переменной ответа, вы можете сказать regsubsets(y~., data=reprex), или в этом случае regsubsets(y ~ . - xfactordata) (так как не хотите обаxfactordata и xfactordata.f в модели)