R：glm（多元线性回归）ignores/removes 一些预测变量
R: glm (multiple linear regression) ignores/removes some predictor variables
我以前post过这个问题，但我觉得我没有把问题解释好，而且太复杂了，所以我删除了我之前的post 而我 post 改用这个。如果给您带来不便，我们深表歉意。
对于无法提供示例数据，我也提前表示歉意，我使用的 tables 非常大，而我尝试做的事情在更简单的示例中效果很好，因此提供示例数据无济于事.直到现在它一直对我有用。所以我只是想了解您对可能出现的问题的看法。但如果有什么方法可以提供更多信息，请告诉我。
所以，我有一个对应于响应变量的向量和一个 table 预测变量。响应向量是数字，预测变量（table 的列）是二进制格式（0 和 1）。
我是 运行 使用响应向量和 table 预测变量的 glm 函数（多元线性回归）：
fit <- glm(response ~ as.matrix(predictors), na.action=na.exclude)
coeff <- as.vector(coef(summary(fit))[,4])[-1]
当我过去一直这样做时，我会提取回归系数的向量以用于进一步分析。
问题是现在回归 returns 一个缺少某些值的系数向量。本质上，一些预测变量根本没有被 glm 归因于系数。但是没有错误信息。
模型的摘要看起来很正常，但是像我提到的那样缺少一些预测变量。大多数其他预测变量都分配了数据（系数、p 值等）。
模型中缺少大约 30 个预测变量，超过 200 个。
我尝试使用不同的响应变量（向量），但我遇到了同样的问题，尽管缺失的预测变量因响应向量而异...
对可能发生的事情有什么想法吗？我认为如果某些变量的方差为 0，就会发生这种情况，但我已经检查过了。 table 中也没有 NA 值和缺失值。
什么会导致 glm ignore/remove 某些预测变量？
欢迎提出任何建议！
编辑： 我发现被删除的预测变量的值与另一个预测变量相同。应该还是有办法保留的，比如他们会得到相同的回归系数
你的编辑解释了为什么你没有得到这些变量。那将是我的第一个问题。 （这个问题最好在 Cross validated 上提出，因为它不是 R 错误，而是你的模型有问题。）
他们不会得到相同的系数：假设你有一个 1:1 关系，Y = X + e，然后拟合简单模型 Y ~ X + X。每个 X 将被分配任意值，使得总和等于 1。没有解决方案。 Y = 0.5X + 0.5X 对我们来说可能是最明显的，但 Y = 100X -99X 也同样有效。
出于同样的原因，您也不能有任何预测变量是其他预测变量的线性和。
如果你真的想要这些值，你可以从你拥有的东西中生成它们。但是我不推荐它，因为假设将如履薄冰。
我以前post过这个问题，但我觉得我没有把问题解释好，而且太复杂了，所以我删除了我之前的post 而我 post 改用这个。如果给您带来不便，我们深表歉意。
对于无法提供示例数据，我也提前表示歉意，我使用的 tables 非常大，而我尝试做的事情在更简单的示例中效果很好，因此提供示例数据无济于事.直到现在它一直对我有用。所以我只是想了解您对可能出现的问题的看法。但如果有什么方法可以提供更多信息，请告诉我。
所以，我有一个对应于响应变量的向量和一个 table 预测变量。响应向量是数字，预测变量（table 的列）是二进制格式（0 和 1）。
我是 运行 使用响应向量和 table 预测变量的 glm 函数（多元线性回归）：
fit <- glm(response ~ as.matrix(predictors), na.action=na.exclude)
coeff <- as.vector(coef(summary(fit))[,4])[-1]
当我过去一直这样做时，我会提取回归系数的向量以用于进一步分析。
问题是现在回归 returns 一个缺少某些值的系数向量。本质上，一些预测变量根本没有被 glm 归因于系数。但是没有错误信息。
模型的摘要看起来很正常，但是像我提到的那样缺少一些预测变量。大多数其他预测变量都分配了数据（系数、p 值等）。 模型中缺少大约 30 个预测变量，超过 200 个。
我尝试使用不同的响应变量（向量），但我遇到了同样的问题，尽管缺失的预测变量因响应向量而异...
对可能发生的事情有什么想法吗？我认为如果某些变量的方差为 0，就会发生这种情况，但我已经检查过了。 table 中也没有 NA 值和缺失值。
什么会导致 glm ignore/remove 某些预测变量？
欢迎提出任何建议！
编辑： 我发现被删除的预测变量的值与另一个预测变量相同。应该还是有办法保留的，比如他们会得到相同的回归系数
你的编辑解释了为什么你没有得到这些变量。那将是我的第一个问题。 （这个问题最好在 Cross validated 上提出，因为它不是 R 错误，而是你的模型有问题。）
他们不会得到相同的系数：假设你有一个 1:1 关系，Y = X + e，然后拟合简单模型 Y ~ X + X。每个 X 将被分配任意值，使得总和等于 1。没有解决方案。 Y = 0.5X + 0.5X 对我们来说可能是最明显的，但 Y = 100X -99X 也同样有效。
出于同样的原因，您也不能有任何预测变量是其他预测变量的线性和。
如果你真的想要这些值，你可以从你拥有的东西中生成它们。但是我不推荐它，因为假设将如履薄冰。