我正在尝试在R中拟合一个回归模型,在找出主要预测因子后,我想检查这些预测因子之间的交互作用。然而,总共有14个预测因子,这意味着可能会产生数百种组合。
lm.fit2=lm(medv~chas*dis*tax*black*rm*lstat*age*nox*zn*crim*rad*indus*ptratio,data=Boston)
summary(lm.fit2)然后出现错误,因为自由度变为负数,这是不可用的。
为了使其正常工作:
lm.fit2=lm(medv~chas*dis*tax*black*rm,data=Boston)
summary(lm.fit2)
然而,这仍然给了我太多的选项:
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -2.082e+02 1.798e+02 -1.158 0.248
chas -2.585e+03 1.820e+03 -1.420 0.156
dis 2.545e+01 6.613e+01 0.385 0.701
tax 4.098e-01 3.021e-01 1.356 0.176
black 3.434e-01 4.622e-01 0.743 0.458
rm 4.234e+01 3.015e+01 1.405 0.161
chas:dis 8.677e+02 6.350e+02 1.367 0.172
chas:tax 6.656e+00 5.232e+00 1.272 0.204
dis:tax -7.457e-02 1.259e-01 -0.593 0.554
chas:black 6.931e+00 4.936e+00 1.404 0.161
dis:black -6.838e-02 1.688e-01 -0.405 0.686
tax:black -7.198e-04 7.791e-04 -0.924 0.356
chas:rm 3.295e+02 2.864e+02 1.150 0.251
dis:rm -5.586e+00 1.084e+01 -0.515 0.606
tax:rm -7.681e-02 5.049e-02 -1.521 0.129
black:rm -6.455e-02 7.744e-02 -0.833 0.405
chas:dis:tax -1.971e+00 2.520e+00 -0.782 0.435
chas:dis:black -2.280e+00 1.648e+00 -1.383 0.167
chas:tax:black -1.835e-02 1.370e-02 -1.339 0.181
dis:tax:black 1.878e-04 3.227e-04 0.582 0.561
chas:dis:rm -9.001e+01 1.018e+02 -0.884 0.377
chas:tax:rm -8.002e-01 8.687e-01 -0.921 0.357
dis:tax:rm 1.447e-02 2.063e-02 0.702 0.483
chas:black:rm -9.037e-01 7.670e-01 -1.178 0.239
dis:black:rm 1.414e-02 2.765e-02 0.511 0.609
tax:black:rm 1.318e-04 1.301e-04 1.013 0.312
chas:dis:tax:black 5.364e-03 6.461e-03 0.830 0.407
chas:dis:tax:rm 1.592e-01 4.289e-01 0.371 0.711
chas:dis:black:rm 2.436e-01 2.619e-01 0.930 0.353
chas:tax:black:rm 2.293e-03 2.250e-03 1.019 0.309
dis:tax:black:rm -3.452e-05 5.286e-05 -0.653 0.514
chas:dis:tax:black:rm -4.712e-04 1.098e-03 -0.429 0.668
如果我加入更多的预测变量,很可能会导致决策时间更长。 我想问一下是否有任何方法可以更快地检查交互作用效应。
model.matrix
返回的不是“预测变量的相关矩阵”。 - IRTFM