R-分析范畴变量对连续变量的影响
R-分析范畴变量对连续变量的影响
提问于 2017-04-13 16:36:47
我试图分析R中的一个数据集，在这里，随着时间的推移，我有商品的销售，我想了解分类变量对销售量的影响。
library("data.table")
qty <- c(100,10000,100,200,150,9000)
flavour <- c("Mint","Herb","Mint","Mint","Herb","Fruit")
category <- c("Multiple","Multiple","White","Multiple","Other","White")
sales_data <- data.frame(qty,flavour,category)
str(sales_data)
'data.frame': 6 obs. of 3 variables:
$ qty : num 100 10000 100 200 150 9000
$ flavour : Factor w/ 3 levels "Fruit","Herb",..: 3 2 3 3 2 1
$ category: Factor w/ 3 levels "Multiple","Other",..: 1 1 3 1 2 3我一直在研究乘法和简单的线性回归，但我觉得我可能走错了轨道。我的理解是，我可以用一个简单的线性回归来确定两个连续变量之间的关系。我可以看到，有一种方法可以使用多个回归来理解范畴变量和连续变量之间的关系，但我发现的例子似乎仅限于二进制值。比如有人抽烟还是不抽烟。如果我对每个分类变量都有多个值，那么多元回归是正确的方式，还是我完全偏离了轨道？
我的实际数据集大约有10个分类变量，其中一些与位置有关，另一些与品牌有关。
任何帮助都将不胜感激。很抱歉，如果这是在错误的地方，或者我错过了一些显而易见的东西--我同时在学习统计数据和R，所以很快就会感到困惑。
回答 1
Stack Overflow用户
回答已采纳
发布于 2017-04-13 16:48:00
当然，您可以有一个连续的因变量(qty)和一个连续的和分类的预测器的组合，它们不一定是二进制的。分类变量应该属于"factor"类。对于问题中所示的两个范畴/因素变量：
fm <- lm(qty ~., sales_data)
summary(fm)页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/43397513
复制相关文章
相似问题
腾讯云开发者
