En güçlü ilişkili öngörücü ikili olduğunda bir regresyon modeli oluşturmaya nasıl başlanır

Ben, yani üç değişkenin 365 gözlem içeren ayarlanmış veri pm, tempve rain. Şimdi pmdiğer iki değişkendeki değişikliklere tepki olarak davranışını kontrol etmek istiyorum . Değişkenlerim:

• pm10 = Yanıt (bağımlı)
• temp = öngörücü (bağımsız)
• rain = öngörücü (bağımsız)

Verilerim için korelasyon matrisi aşağıdadır:

> 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

Sorun şu ki, regresyon modellerinin yapımını incelerken, katkı yönteminin yanıt değişkeniyle en çok ilişkili olan değişkenle başlamak olduğu yazılmıştır. Veri rainsetimde pm(ile karşılaştırıldığında temp) yüksek derecede korelasyon var , ama aynı zamanda bir kukla değişken (yağmur = 1, yağmur yok = 0), bu yüzden şimdi nereden başlamam gerektiğine dair ipucu var. Ben soru ile iki görüntü ekledim: Birincisi veri dağılım grafiği, ve ikinci görüntü pm10vs bir dağılım grafiği rain, ben de pm10vs dağılım grafiğini yorumlayamıyorum rain. Bazıları nasıl başlamama yardımcı olabilir?

Birçok kişi, en çok ilişkili değişkenle başlayıp daha sonra önemli olmayana kadar ek değişkenler eklemek gibi bir strateji kullanmanız gerektiğine inanmaktadır. Ancak, bu yaklaşımı zorlayan bir mantık yoktur. Dahası, bu bir tür 'açgözlü' değişken seçim / arama stratejisidir (bkz. Burada cevabım: Otomatik model seçimi için algoritmalar ). Bunu yapmak zorunda değilsiniz ve gerçekten de yapmamalısınız. İle pmve arasındaki ilişkiyi bilmek istiyorsanız , ve tempverain, üç değişkenin tümüne birden çok regresyon modeli sığdırın. Makul olup olmadığını ve varsayımların karşılanıp karşılanmadığını belirlemek için modeli değerlendirmeniz gerekecektir, ancak hepsi bu. Bazı a priori hipotezlerini test etmek istiyorsanız, bunu modelle yapabilirsiniz. Modelin örnek öngörülü doğruluğunu değerlendirmek istemiyorsanız, bunu çapraz doğrulamayla yapabilirsiniz.

Çoklu bağlantı konusunda da endişelenmenize gerek yok. Arasındaki korelasyon tempve rainolarak listelenir 0.044sizin korelasyon matrisinde. Bu çok düşük bir korelasyon ve herhangi bir soruna neden olmamalıdır.

Bu, zaten toplanmış olan veri kümenizi doğrudan ele almasa da, bir dahaki sefere böyle veri toplarken deneyebileceğiniz başka bir şey, "yağmur" un ikili olarak kaydedilmesini önlemektir. Yağmur hızını (cm / saat) ölçtüyseniz, verileriniz 0 ... max_rainfall'dan sürekli olarak dağıtılan (ölçüm hassasiyetinize kadar) bir değişken verecek olsaydı muhtemelen daha bilgilendirici olurdu.

Bu sadece diğer değişkenlerle "yağmur yağıyor" değil, aynı zamanda "ne kadar yağmur yağıyor?"