가장 밀접하게 연관된 예측 변수가 이진일 때 회귀 모델 구축을 시작하는 방법

I, 즉 세 개의 변수 (365)의 관찰을 포함하는 데이터 세트를 pm, temp그리고 rain. 이제 pm다른 두 변수의 변경에 대한 응답 으로 동작을 확인하고 싶습니다 . 내 변수는 다음과 같습니다

• pm10 = 응답 (종속)
• temp = 예측 자 (독립)
• rain = 예측 자 (독립적)

다음은 내 데이터의 상관 관계 매트릭스입니다.

> cor(air.pollution)
               pm        temp       rainy
pm     1.00000000 -0.03745229 -0.15264258
temp  -0.03745229  1.00000000  0.04406743
rainy -0.15264258  0.04406743  1.00000000

문제는 회귀 모델의 구성을 연구 할 때 첨가 방법이 반응 변수와 가장 관련이 높은 변수로 시작하는 것으로 작성되었습니다. 내 데이터 세트 rain는 pm(와 비교하여 temp) 상관 관계가 높지만 동시에 더미 변수 (비 = 1, 비 = 0)이므로 이제 어디서부터 시작 해야하는지 단서가되었습니다. 제가 질문을 두 개의 이미지를 첨부 : 첫 번째는 데이터의 산점도이고, 두 번째 이미지의 산점도이다 pm10대 rain, 또한의 산점도 해석 할 수없는 나는 pm10대를 rain. 시작하는 방법을 알려줄 수 있습니까?

많은 사람들은 가장 관련성이 높은 변수로 시작한 다음 중요하지 않을 때까지 변수를 추가하는 등의 전략을 사용해야한다고 생각합니다. 그러나이 방법을 강요하는 논리는 없습니다. 또한 이것은 일종의 '욕심 많은'변수 선택 / 검색 전략입니다 (참조, 내 대답 은 자동 모델 선택 알고리즘 ). 이 작업을 수행 할 필요가 없으며 실제로는 안됩니다. 당신이 사이의 관계를 알고 싶다면 pm, 및 temp및rain세 변수를 모두 사용하여 다중 회귀 모형을 적합합니다. 모델이 합리적이고 가정이 충족되는지 여부를 결정하기 위해 모델을 평가해야하지만 그게 전부입니다. 우선 순위 가설을 검정하려면 모형을 사용하여 수행 할 수 있습니다. 표본의 예측 정확도를 벗어난 모델을 평가하려면 교차 검증을 통해 수행 할 수 있습니다.

다중 공선성에 대해서도 걱정할 필요가 없습니다. 사이의 상관 관계 temp및은 rain으로 표시됩니다 0.044당신의 상관 행렬이다. 상관 관계가 매우 낮으므로 아무런 문제가 발생하지 않습니다.

이것은 이미 수집 된 데이터 세트를 직접 다루지는 않지만 다음에 데이터를 수집 할 때 시도 할 수있는 또 다른 방법은 "비"를 바이너리로 기록하지 않는 것입니다. 강우 율 (cm / hour)을 측정 한 경우 0 ... max_rainfall에서 지속적으로 (측정의 정밀도까지) 분포 된 변수를 제공하면 데이터가 더 유익 할 것입니다.

이것은 당신이 다른 변수와 "비가 내리는가"뿐만 아니라 "비가 얼마나 내리는가"와 상관 관계가있게합니다.