Come risolvere il problema: i contrasti possono essere applicati solo a fattori con 2 o più livelli

Un errore comune che potresti riscontrare in R è:

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

Questo errore si verifica quando si tenta di adattare un modello di regressione utilizzando una variabile predittrice che è un fattore o una caratteristica e ha un solo valore univoco.

Questo tutorial condivide i passaggi esatti che puoi utilizzare per risolvere questo errore.

Esempio: come risolvere il problema “i contrasti possono essere applicati solo a fattori con 2 o più livelli”

Supponiamo di avere il seguente frame di dati in R:

 #create data frame
df <- data. frame (var1=c(1, 3, 3, 4, 5),
                 var2=as. factor (4),
                 var3=c(7, 7, 8, 3, 2),
                 var4=c(1, 1, 2, 8, 9))

#view data frame
df

  var1 var2 var3 var4
1 1 4 7 1
2 3 4 7 1
3 3 4 8 2
4 4 4 3 8
5 5 4 2 9

Tieni presente che la variabile predittore var2 è un fattore e ha un solo valore univoco.

Se proviamo ad adattare un modello di regressione lineare multipla utilizzando var2 come variabile predittrice, otterremo il seguente errore:

 #attempt to fit regression model
model <- lm(var4 ~ var1 + var2 + var3, data=df)

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

Otteniamo questo errore perché var2 ha un solo valore univoco: 4. Poiché non vi è alcuna variazione in questa variabile predittrice, R non è in grado di adattarsi efficacemente a un modello di regressione.

Possiamo effettivamente utilizzare la seguente sintassi per contare il numero di valori univoci per ciascuna variabile nel nostro frame di dati:

 #count unique values for each variable
sapply( lapply (df, unique), length)

var1 var2 var3 var4 
   4 1 4 4 

E possiamo usare la funzione lapply() per visualizzare ciascuno dei valori univoci di ciascuna variabile:

 #display unique values for each variable
lapply(df[c('var1', 'var2', 'var3')], unique)

$var1
[1] 1 3 4 5

$var2
[1] 4
Levels: 4

$var3
[1] 7 8 3 2

Possiamo vedere che var2 è l’unica variabile che ha un valore univoco. Quindi, possiamo correggere questo errore semplicemente rimuovendo var2 dal modello di regressione:

 #fit regression model without using var2 as a predictor variable
model <- lm(var4 ~ var1 + var3, data=df)

#view model summary
summary(model)

Call:
lm(formula = var4 ~ var1 + var3, data = df)

Residuals:
       1 2 3 4 5 
 0.02326 -1.23256 0.91860 0.53488 -0.24419 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)  
(Intercept) 8.4070 3.6317 2.315 0.1466  
var1 0.6279 0.6191 1.014 0.4172  
var3 -1.1512 0.3399 -3.387 0.0772 .
---
Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1.164 on 2 degrees of freedom
Multiple R-squared: 0.9569, Adjusted R-squared: 0.9137 
F-statistic: 22.18 on 2 and 2 DF, p-value: 0.04314

Rimuovendo var2 dal modello di regressione, non riscontriamo più l’errore precedente.

Risorse addizionali

Come eseguire una regressione lineare semplice in R
Come eseguire la regressione lineare multipla in R
Come eseguire la regressione logistica in R