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