【发布时间】：2014-10-31 21:25:17
【问题描述】：
我有计算机科学背景，我正在尝试通过解决互联网上的问题来自学数据科学
我有一个较小的数据集，其中包含 3 个变量 - 种族、性别和年收入。大约有 10,000 个样本观测值。我正在尝试预测来自种族和性别的收入。
我已将数据分为两部分 - 每种性别各一份，现在我正在尝试创建 2 个回归模型。这在R中可能吗？有人可以提供示例语法吗？
【问题讨论】：
标签： r linear-regression
【发布时间】：2014-10-31 21:25:17
【问题描述】：
您没有指定数据的存储方式或变量竞赛的记录方式（这是一个因素吗？）
[如果您只是将收入与男性的种族相匹配，并且您在 income.m 和 race.m 中具有男性收入和种族，并且如果第二个是 R 中的 因素 ，然后lm(income.m~race.m) 将适合男性（在结果对象上使用summary 以获取有关它的信息）。你可以为女性做类似的事情。但大多数人不会以这种方式拟合模型。]
如果您准备假设两种性别的线条变化相同，则可以用一个模型拟合两条线条。
这比单独分析行有几个优点，尽管也可以这样做。
如果性别是一个因素或记录为 (0/1) 的数字变量，而种族是一个因素，并且您在数据框中有数据（例如，称为 incdata），那么您会一次适合两条线：
lm(income~race*gender, data=incdata)
这是R的简写
lm(income~race+gender+race:gender, data=incdata)
其中race:gender 是一个交互术语。
如果您进一步假设种族对两性的影响是相同的，那么较小的模型：
lm(income~race+gender, data=incdata)
将被使用。如果要求“控制性别”，这通常是人们适合的模型，尽管许多人会考虑我之前提到的交互模型。
我强烈建议您首先解决更简单的回归问题，并使用适合指导您完成这些想法的教科书或一组笔记。
如果您尚未在 R 中拟合回归，我将从一个较小的数据集开始，该数据集只有一个预测变量，以适应基本机制。
R 已经内置了许多数据集。例如，请参阅library(help=datasets)，它有大约 80 个数据集； R 附带的一些包有更多（例如，MASS 有超过 80 个）。 CRAN 上的许多 R 包都包含数据集，其中许多适合回归。
例如，cars 数据集（参见 R 中的 ?cars）记录了汽车在给定速度的情况下的停车距离。你不需要读取数据，它已经存在了。
一个简单的线性回归（考虑到对物理学的一些了解，不一定是最好的模型，但对于数据来说已经足够了）是：
lm(dist~speed, cars)
再次，您使用summary 来检查它。例如（我建议你一次输入这些）：
carsfit
汽车数据集 (?cars) 帮助中的示例提供了其他几个模型和绘图。您也可以一次尝试这些。
car 包（CAR 是“Companion to Applied Regression”的缩写）有许多专门用于回归的小型数据集。
【讨论】：
-
感谢您的详细解答。非常感谢
您需要阅读线性/多元回归技术。不知道为什么要根据性别将数据分为两组。将数据随机拆分为训练和测试，以便您可以在训练上建模并在测试上验证。
【讨论】：
您确实可以这样做 Abhi，但我相信您的问题非常广泛。
(1) 您可以根据种族和性别预测收入。这可以通过多种方式完成，但最常见的可能是“回归分析”。我建议你在互联网上就该主题进行一些搜索。回答什么样的回归以及如何执行它是视情况而定的。您可能会在阅读回归后发现自己。
(2) R 可以做到这一点。但我建议你在进入 R 之前先阅读一些关于回归的知识。
(3) 如果我要分析种族和性别是否可以预测收入，我会简单地做一个线性回归，其中收入是因变量，种族和性别是独立的（预测变量）。这可以通过 R 中的“lm”函数来完成。
还是我在这里误会了什么？
问候
【讨论】：
很简单。
fit1 <- lm(income~gender+race,data=Dataframe1)
summary(fit1)
我不建议使用两个数据框。除非您使用需要使用两个数据框的更高级的统计方法。只需使用您的性别变量。
【讨论】：
-
此外，由于您正在尝试学习使用 R。我强烈推荐这个初学者教程：tryr.codeschool.com