Question

我有一个数据集，其中包含最近几年的商店销售情况以及最近一次翻新商店的年份。我的目标是评估装修对重新开业后的销售是否有影响，以及这种影响在重新开业后的4年中是如何演变的。

我的挑战是，数据集中的总体趋势表明，所有商店每年都损失约2％的收入。因此，在评估我的效果时，我也需要考虑到这一点。

我最初的想法是在每个可能的翻修年中创建假人，但是由于我只为35个商店提供数据，因此无法正常工作。因此，我尝试创建一个变量来计算自翻新以来的年数，但是我缺少了一些我认为的东西：

library(data.table)
year_start = 2013
year_stop = 2017
n_years = year_stop - year_start+1

seed_sales = 100
year_decrease = 0.02

n_shops = 35
shops = paste0("Shop",seq(1,n_shops))

dt_sales <- data.table( Shop = sort(rep(shops, n_years)),
                     Year = rep(seq(year_start,year_stop), length(shops)),
                     Year_Renovation = round(rbinom(n_shops*n_years,1,0.3)*runif(1, year_start-10, year_stop))
                     )

dt_sales[, Sales := 100-(Year-year_start)*year_decrease*rnorm(n_shops*n_years,1)-ifelse(Year_Renovation==1,ifelse(Year-Year_Renovation<2,10,0)*rnorm(n_shops*n_years)+ifelse(Year-Year_Renovation>2,10*Year-Year_Renovation,0)*rnorm(n_shops*n_years),0)]

## Current thinking
dt_sales[, Is_renovated := ifelse(Year_Renovation == 0,0,1)]
dt_sales[Is_renovated==1 & Year-Year_Renovation>=0, Years_since_rennovation := Year-Year_Renovation]

lm = glm(Sales ~ Year + Is_renovated:Years_since_rennovation, data=dt_sales,family = gaussian(),na.action = na.omit)
summary(lm)

输出为：

(Intercept)             137.855325   9.679754  14.242  < 2e-16 *** 
Year                     -0.018807   0.004803  -3.915 0.000279 ***
Years_since_rennovation         NA         NA      NA       NA

捕获了每年的下降量，但翻新效果显然被包裹在截距中，上升到137，而不是我设置的100。

我要去哪里错了？

谢谢！斯特凡诺

Answer 1

以下是您的R问题的答案。如果您对这是否是正确的建模策略有任何疑问，我将前往Cross Validated。

有两个问题。首先，dt_sales$Years_since_rennovation几乎是所有NA：

dt_sales$Years_since_rennovation

  [1] NA NA NA NA  2 NA NA NA  1  2 NA NA NA  1  2 NA NA NA  1 NA NA NA  0  1 NA
 [26] NA NA  0 NA NA NA NA NA NA NA NA NA  0 NA NA NA NA NA  1 NA NA NA  0  1 NA
 [51] NA NA NA NA NA NA NA NA NA NA NA NA  0  1 NA NA NA NA NA NA NA NA  0 NA NA
 [76] NA NA NA  1 NA NA NA NA  1 NA NA NA  0  1  2 NA NA  0 NA NA NA NA NA NA NA
[101] NA NA  0  1 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA  1 NA
[126] NA NA NA  1  2 NA NA NA NA NA NA NA  0 NA NA NA NA NA NA NA NA NA  0 NA  2
[151] NA NA NA NA NA NA NA NA NA NA NA NA  0 NA NA NA NA NA NA NA NA NA NA NA NA

因此，您会在summary()输出中看到

  (144 observations deleted due to missingness)

然后，如果我们检查dt$Year和dt$Years_since_rennovation剩下的观察结果，我们会看到perfect multicollinearity：

dt_sales$Year[!is.na(dt_sales$Years_since_rennovation)] - 2015
# [1] 2 1 2 1 2 1 0 1 0 0 1 0 1 0 1 0 1 1 0 1 2 0 0 1 1 1 2 0 0 2 0
dt_sales$Years_since_rennovation[!is.na(dt_sales$Years_since_rennovation)]
# [1] 2 1 2 1 2 1 0 1 0 0 1 0 1 0 1 0 1 1 0 1 2 0 0 1 1 1 2 0 0 2 0

这使得R无法估计两个系数。因此，R估计第一个系数，然后减去第二个变量。如果您不希望R在不引发错误的情况下进行操作，请传递singular.ok = FALSE（请参见help("glm")）：

lm = glm(Sales ~ Year + Is_renovated:Years_since_rennovation, data=dt_sales,
         family = gaussian(), na.action = na.omit, singular.ok = FALSE)

Error in glm.fit(x = c(1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,  : 
  singular fit encountered

请注意，我避免命名对象lm，因为这也是基本OLS函数的名称。

衡量商店装修对R中销售的影响

1 个答案: