R中的反向消除答案

【问题标题】：backward elimination in RR中的反向消除
【发布时间】：2023-03-07 09:43:02
【问题描述】：

我正在尝试使用 R 的反向消除来获得最终模型，但在运行代码时收到以下错误消息。有人可以帮我吗？

base<-lm(Eeff~NDF,data=phuong)
fullmodel<-lm(Eeff~NDF+ADF+CP+NEL+DMI+FCM,data=phuong)
 step(full, direction = "backward", trace=FALSE )

> Error in step(full, direction = "backward", trace = FALSE) : 
number of rows in use has changed: remove missing values?

【问题讨论】：

标签： r

【解决方案1】：

在比较不同的子模型时，有必要将它们拟合到同一组数据 - 否则结果就没有意义。（考虑极端情况，您有两个预测变量 A 和 B，每个预测变量仅对一半的观测值进行测量 - 然后模型 y~A+B 将适合所有数据，但模型 y~A并且y~B 将适合非重叠 数据子集。）因此，step 将不允许您比较子模型（因为自动删除包含NA 值的案例) 正在使用原始数据集的不同子集。

在原始数据集上使用na.omit 应该可以解决问题。

fullmodel <- lm(Eeff ~ NDF + ADF + CP + NEL + DMI + FCM, data = na.omit(phuong))
step(fullmodel, direction = "backward", trace=FALSE )

但是，如果您在不同的预测变量中有很多 NA 值，您最终可能会丢失大量数据集——在极端情况下，您可能会丢失整个数据集.如果发生这种情况，您必须重新考虑您的建模策略...

【讨论】：

我有一个疑问，你不是必须把 fullmodel 而不是 full in step(full, direction = "backward", trace=FALSE ) 吗？我错了吗？
是的。我只是复制了 OP 的代码，没有仔细看它。谢谢。
是的，它有效。非常感谢 Ben Bolker 的 cmets。
另一个问题是，我们是否可以像上面那样做同样的“向后消除”，但现在不使用线性回归 (lm) 而是使用混合模型 (lmer) 来代替？ fullmodel
我相信drop1 适合lmer，但看起来step 不适合。我也可以提醒您不要采取逐步方法吗？在一些上下文中它们是有意义的，但大多数时候它们不是一个好主意——尝试在谷歌上搜索“Harrell stepwise”来阅读一些批评。