Question

我希望能够做到最清楚。假设我有一个包含10个变量的数据集，其中4个代表我称之为Y的某种现象。另外6个代表了我称之为X的另一种现象。

这些变量（10）中的每一个包含37个单位。这些单位只是我的分析（调查）的受访者。由于所有问题都基于李克特量表，因此它们是定性变量。对于所有这些，比例从0到7，但是有“-1”和“-2”值，其中缺少答案。因此，规模实际上从-2到7。

我想要做的是计算我的Y（在这种情况下包含4个变量，每个变量包含37个答案）和我的X（包含6个变量而不是相同数量的响应者）之间的回归。我知道，对于定性分析，我应该使用Anova而不是回归，尽管我已经在某处读过它甚至可能做出回归。

到目前为止，我一直试图这样做：

> apply(Y, 1, function(Y) mean(Y[Y>0])) #calculate the average per rows (respondents) without considering the negative values

> Y.reg<- c(apply(Y, 1, function(Y) mean(Y[Y>0]))) #create the vector Y, thus it results like 1 variable with 37 numbers

> apply(X, 1, function(X) mean(X[X>0]))

> X.reg<- c(apply(X, 1, function(X) mean(X[X>0]))) #create the vector X, thus it results like 1 variable with 37 numbers

> reg1<- lm(Y.reg~ X.reg) #make the first regression
> summary(reg1) #see the results
Call:
lm(formula = Y.reg ~ X.reg)

Residuals:
     Min         1Q       Median      3Q       Max 
-2.26183 -0.49434 -0.02658  0.37260  2.08899 

Coefficients:
               Estimate  Std. Error   t value   Pr(>|t|)    
(Intercept)     4.2577     0.4986     8.539    4.46e-10 ***
 X.reg          0.1008     0.1282     0.786    0.437    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Residual standard error: 0.7827 on 35 degrees of freedom
Multiple R-squared: 0.01736,    Adjusted R-squared: -0.01072 
F-statistic: 0.6182 on 1 and 35 DF,  p-value: 0.437

但正如你所看到的，虽然我没有使用由4个变量和X乘以6组成的Y，而我也没有考虑负值，但我得到的分数非常低，因为我的R ^ 2。

如果我与anova合作而不是我有这个问题：

> Ymatrix<- as.matrix(Y)
> Xmatrix<- as.matrix(X) #where both this Y and X are in their first form, thus composed by more variables (4 and 6) and with negative values as well.

> Errore in UseMethod("anova") : 
  no applicable method for 'anova' applied to an object of class "c('matrix', 'integer', 'numeric')"

说实话，前几天我成功使用了anova，但遗憾的是我不记得我是怎么也没有把命令保存在任何地方。

我想知道的是：

首先，我在处理问题时错了吗？
您如何看待回归输出？
最后，我该如何制作anova？如果我必须这样做。

Answer 1

如果您的响应（Y）和预测变量（x）是数字刻度，则可以使用回归。如果您的响应（Y）是数字刻度且预测变量（x）是分类标度，则可以使用ANOVA。

建议：

在使用回归方法之前，您必须使用有效性和可靠性测试来了解答案（指标）对于响应和预测器是否有效且可靠。

Answer 2

我不赞同Denny的回答。无论您拥有何种类型的数据，都可以使用任何一种方法。如果您有分类数据，可以使用虚拟编码将其表示为数字。例如，给定具有3个选项的特征x，例如1,2和3，您可以通过创建3个新的附加变量x1，x2和x3将其编码为数字。如果x为1，则x1为1，x2为0，x3为0。如果缺少x，则三个新的x值都将为零。

在你的情况下，我会建议你首先尝试回归，因为你拥有的功能数量很多，并且因为它往往是直截了当的。随着特征数量的增加，ANOVA会变得复杂。假设您的数据满足两种技术所需的假设，两者都应该有效。

回归分析还是Anova？

2 个答案: