在 R 中虚拟编码多个治疗加控制组进行线性回归时如何避免虚拟变量陷阱

Question

我知道我需要一个比虚拟变量总数少的虚拟变量。但是，我被卡住了，因为我一直收到错误：“1 not defined because of singularities”，当运行ning lm in R 时。我在这里发现了一个类似的问题：但它略有不同比我的问题。

我有两种治疗方法（1）“受益”和（2）“历史”，每个有两个级别（1）“低”和“高”以及（2）“短”和“长”，即4 种组合。此外，我有一个控制组，它没有接触过任何一个。因此，我编码了 4 个虚拟变量（比组总数 n=5 少一个）。接下来，虚拟编码数据如下所示：

                               low benefit  high benefit  short history  long history
Control group                           0             o              0             0
low benefit, short history              1             0              1             0
low benefit, long history               1             0              0             1
high benefit, short history             0             1              1             0
high benefit, long history              0             1              0             1

当我运行我的 lm 我得到这个：

Model: 
summary(lm(X ~ short history + high benefit + long history + low benefit + Control variables, data = df))

Coefficients: (1 not defined because of singularities)
                                         Estimate   Std. Error  t value  Pr(>|t|)
(Intercept)                           5.505398100  0.963932438  5.71139  4.8663e-08 ***
Dummy short history                   0.939025772  0.379091565  2.47704   0.0142196 *
Dummy high benefit                   -0.759944023  0.288192645 -2.63693   0.0091367 **
Dummy long history                    0.759352915  0.389085599  1.95163   0.0526152 .
Dummy low benefit                              NA           NA       NA          NA
Control Varibales                          xxx          xxx        xxx       xxx

此错误总是发生在第 4 个位置的虚拟变量上。控制变量都计算没有问题。

我已经尝试只包含两个具有两个级别的变量，表示我编码的“历史”，1 表示“长”，0 表示“空”，而对于“收益”，1 表示“高”，0 表示对于“低”。这样，lm 起作用了，但问题是，控制组和组合“历史短，收益低”的编码相同，即两个变量的 0 和 0。

很抱歉，如果这是一个基本错误，但我无法弄清楚。如果您需要更多信息，请说明。提前致谢。

Answer 1

正如我在评论中所说，你只有两个变量，如果你将它们作为因数并检查对比 r 就会做正确的事情。另请参阅 http://www.sthda.com/english/articles/40-regression-analysis/163-regression-with-categorical-variables-dummy-coding-essentials-in-r/

组成代表你的数据。

set.seed(2020)
df <- data.frame(
  X = runif(n = 120, min = 5, max = 15),
  benefit = rep(c("control", "low", "high"), 40),
  history = c(rep("control", 40), rep("long", 40), rep("short", 40))
)

制作 benefit 和 history 因素，检查控件是否是每个因素的基础对比度。

df$benefit <- factor(df$benefit)
df$history <- factor(df$history)
contrasts(df$benefit)
#>         high low
#> control    0   0
#> high       1   0
#> low        0   1
contrasts(df$history)
#>         long short
#> control    0     0
#> long       1     0
#> short      0     1

运行回归并得到总结。 4个系数全部比较control/control.

lm(X ~ benefit + history, df)
#> 
#> Call:
#> lm(formula = X ~ benefit + history, data = df)
#> 
#> Coefficients:
#>  (Intercept)   benefithigh    benefitlow   historylong  historyshort  
#>      9.94474      -0.08721       0.11245       0.37021      -0.35675
summary(lm(X ~ benefit + history, df))
#> 
#> Call:
#> lm(formula = X ~ benefit + history, data = df)
#> 
#> Residuals:
#>     Min      1Q  Median      3Q     Max 
#> -5.4059 -2.3706 -0.0007  2.4986  4.7669 
#> 
#> Coefficients:
#>              Estimate Std. Error t value Pr(>|t|)    
#> (Intercept)   9.94474    0.56786  17.513   <2e-16 ***
#> benefithigh  -0.08721    0.62842  -0.139    0.890    
#> benefitlow    0.11245    0.62842   0.179    0.858    
#> historylong   0.37021    0.62842   0.589    0.557    
#> historyshort -0.35675    0.62842  -0.568    0.571    
#> ---
#> Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> 
#> Residual standard error: 2.809 on 115 degrees of freedom
#> Multiple R-squared:  0.01253,    Adjusted R-squared:  -0.02182 
#> F-statistic: 0.3648 on 4 and 115 DF,  p-value: 0.8333

在 R 中虚拟编码多个治疗加控制组进行线性回归时如何避免虚拟变量陷阱

How to avoid the dummy variable trap when dummy coding several treatments plus control group for linear regression in R

r

linear-regression

dummy-variable