Question

我使用glm生成模型拟合。我的数据包含整数变量和分类变量。分类变量采用代码形式，因此数据中包含整数类型。最初，当我尝试生成模型时，我按照整数格式传递分类变量并获得模型。我正在查看p值来检查一次是重要的，并注意到很少的变量是重要的，我没想到。

这是在意识到可能是整数形式的分类变量正在创建一些问题。因此，代码3可能比代码1更重要（对此不确定，如果有人可以确认这个会很好）。在进行一些研究时，我发现我们可以将分类整数变量转换为 factor 。我做了同样的事情并重新生成了模型。

我还看到了一些提到转换为二进制的帖子，所以我做得很好。所以现在我有3个结果 -

r1＆gt;＆gt;使用分类整数变量
r2＆gt;＆gt;分类因子变量
r3＆gt;＆gt;分类变量转换为二进制

我觉得带有分类整数变量的输出1不正确（请确认）。但是在输出2和3之间我很困惑哪一个要考虑为

p值不同，
哪一个更准确
我可以将输出3的p值与输出2相关联吗？
glm如何处理此类变量
希望glm在for循环中不是问题
我的数据库很大，我们可以使用data.table吗？

我在我的代码下面粘贴了一些要复制的样本数据

library("plyr")
library("foreign")
library("data.table")

#####Generating sample data

set.seed(1200)
id <- 1:100
bill <- sample(1:3,100,replace = T)
nos <- sample(1:40,100,replace = T)
stru <- sample(1:4,100,replace = T)
type <- sample(1:7,100,replace = T)
value <- sample(100:1000,100,replace = T)

df1 <- data.frame(id,bill,nos,stru,type,value)

var1 <- c("bill","nos","stru")

options(scipen = 999)
r1 <- data.frame()

for(type1 in unique(df1$type)){
  for(var in var1){
    # dynamically generate formula
    fmla <- as.formula(paste0("value ~ ", var))

    # fit glm model
    fit <- glm(fmla, data=df1[df1$type == type1,],family='quasipoisson')
    p.value <- coef(summary(fit))[8]

    cfit <- coef(summary(fit))
    # create data frame
    df2 <- data.frame(var = var, type = type1, basket="value",p.value = cfit[8],stringsAsFactors = F)
    r1 <- rbind(r1, df2)
  }
}

##### converting the categorical numeric variables to factor variables

df1$bill_f <- as.factor(bill)
df1$stru_f <- as.factor(stru)

var1 <- c("bill_f","nos","stru_f")

r2 <- data.frame()

for(type1 in unique(df1$type)){
  for(var in var1){
    # dynamically generate formula
    fmla <- as.formula(paste0("value ~ ", var))

    # fit glm model
    fit <- glm(fmla, data=df1[df1$type == type1,],family='quasipoisson')
    p.value <- coef(summary(fit))[8]

    cfit <- coef(summary(fit))
    # create data frame
    df2 <- data.frame(var = var, type = type1, basket="value",p.value = cfit[8],stringsAsFactors = F)
    r2 <- rbind(r2, df2)
  }
}

#####converting the categorical numeric variables to binary format (1/0)

df1$bill_1 <- ifelse(df1$bill == 1,1,0)
df1$bill_2 <- ifelse(df1$bill == 2,1,0)
df1$bill_3 <- ifelse(df1$bill == 3,1,0)

df1$stru_1 <- ifelse(df1$stru == 1,1,0)
df1$stru_2 <- ifelse(df1$stru == 2,1,0)
df1$stru_3 <- ifelse(df1$stru == 3,1,0)
df1$stru_4 <- ifelse(df1$stru == 4,1,0)

var1 <- c("bill_1","bill_2","bill_3","nos","stru_1","stru_2","stru_3")

r3 <- data.frame()

for(type1 in unique(df1$type)){
  for(var in var1){
    # dynamically generate formula
    fmla <- as.formula(paste0("value ~ ", var))

    # fit glm model
    fit <- glm(fmla, data=df1[df1$type == type1,],family='quasipoisson')
    p.value <- coef(summary(fit))[8]

    cfit <- coef(summary(fit))
    # create data frame
    df2 <- data.frame(var = var, type = type1, basket="value",p.value = cfit[8],stringsAsFactors = F)
    r3 <- rbind(r3, df2)
  }
}

Answer 1

你的感觉大多是正确的。对于GLM，您应该区分连续变量和离散（分类）变量。

二进制变量是仅包含2个级别的变量，例如0和1。由于您只有2个级别的变量，因此应使用factor（）函数。

R glm为不同类型的相同分类变量生成不同的p值

1 个答案: