R:使用‘lm`拟合线性模型时的对比度错误

Question

我已经找到了Error in contrasts when defining a linear model in R，并遵循了那里的建议，但我的因子变量中没有一个只有一个值，我仍然遇到同样的问题。

这是我使用的数据集：https://www.dropbox.com/s/em7xphbeaxykgla/train.csv?dl=0。

这是我试图运行的代码：

simplelm <- lm(log_SalePrice ~ ., data = train)

#Error in `contrasts<-`(`*tmp*`, value = contr.funs[1 + isOF[nn]]) :
# contrasts can be applied only to factors with 2 or more levels

问题出在哪里？

Answer 1

这个错误很好地描述了这个问题。问题中的坏数据在第9列(Utilities)。

这一栏的变化太小了。

table(train$Utilities)

AllPub NoSeWa 1459 %1

log_SalePrice <- train$log_SalePrice

train[,9] <- NULL
simplelm  <- lm(log_SalePrice ~ ., data = train)

Answer 2

感谢您提供您的数据集(我希望该链接将永远有效，以便每个人都可以访问)。我将其读取到数据帧train中。

使用How to debug "contrasts can be applied only to factors with 2 or more levels" error?提供的debug_contr_error、debug_contr_error2和NA_preproc帮助器函数，我们可以很容易地分析问题。

info <- debug_contr_error2(log_SalePrice ~ ., train)

## the data frame that is actually used by `lm`
dat <- info$mf

## number of cases in your dataset
nrow(train)
#[1] 1460

## number of complete cases used by `lm`
nrow(dat)
#[1] 1112

## number of levels for all factor variables in `dat`
info$nlevels
#     MSZoning        Street         Alley      LotShape   LandContour 
#            4             2             3             4             4 
#    Utilities     LotConfig     LandSlope  Neighborhood    Condition1 
#            1             5             3            25             9 
#   Condition2      BldgType    HouseStyle     RoofStyle      RoofMatl 
#            6             5             8             5             7 
#  Exterior1st   Exterior2nd    MasVnrType     ExterQual     ExterCond 
#           14            16             4             4             4 
#   Foundation      BsmtQual      BsmtCond  BsmtExposure  BsmtFinType1 
#            6             5             5             5             7 
# BsmtFinType2       Heating     HeatingQC    CentralAir    Electrical 
#            7             5             5             2             5 
#  KitchenQual    Functional   FireplaceQu    GarageType  GarageFinish 
#            4             6             6             6             3 
#   GarageQual    GarageCond    PavedDrive        PoolQC         Fence 
#            5             5             3             4             5 
#  MiscFeature      SaleType SaleCondition  MiscVal_bool      MoYrSold 
#            4             9             6             2            55 

正如您所看到的，Utilities在这里是一个有问题的变量，因为它只有一个级别。

由于您在train中有许多字符/因子变量，我想知道您是否为它们提供了NA。如果我们添加NA作为有效级别，我们可能会得到更完整的案例。

new_train <- NA_preproc(train)

new_info <- debug_contr_error2(log_SalePrice ~ ., new_train)

new_dat <- new_info$mf

nrow(new_dat)
#[1] 1121

new_info$nlevels
#     MSZoning        Street         Alley      LotShape   LandContour 
#            5             2             3             4             4 
#    Utilities     LotConfig     LandSlope  Neighborhood    Condition1 
#            1             5             3            25             9 
#   Condition2      BldgType    HouseStyle     RoofStyle      RoofMatl 
#            6             5             8             5             7 
#  Exterior1st   Exterior2nd    MasVnrType     ExterQual     ExterCond 
#           14            16             4             4             4 
#   Foundation      BsmtQual      BsmtCond  BsmtExposure  BsmtFinType1 
#            6             5             5             5             7 
# BsmtFinType2       Heating     HeatingQC    CentralAir    Electrical 
#            7             5             5             2             6 
#  KitchenQual    Functional   FireplaceQu    GarageType  GarageFinish 
#            4             6             6             6             3 
#   GarageQual    GarageCond    PavedDrive        PoolQC         Fence 
#            5             5             3             4             5 
#  MiscFeature      SaleType SaleCondition  MiscVal_bool      MoYrSold 
#            4             9             6             2            55

我们确实得到了更完整的案例，但Utilities仍然有一个级别。这意味着大多数不完整的情况实际上是由您的数值变量中的NA引起的，我们无能为力(除非您有一种统计上有效的方法来估算这些缺失值)。

由于您只有一个单级因子变量，因此与How to do a GLM when "contrasts can be applied only to factors with 2 or more levels"?中给出的方法相同。

new_dat$Utilities <- 1

simplelm <- lm(log_SalePrice ~ 0 + ., data = new_dat)

现在，模型已成功运行。然而，它是rank-deficient。您可能想做些什么来解决这个问题，但让它保持原样是可以的。

b <- coef(simplelm)

length(b)
#[1] 301

sum(is.na(b))
#[1] 9

simplelm$rank
#[1] 292