Rozwiązanie: kontrasty można stosować tylko do czynników mających co najmniej 2 poziomy

Typowym błędem, jaki możesz napotkać w R jest:

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

Ten błąd występuje, gdy próbujesz dopasować model regresji przy użyciu zmiennej predykcyjnej, która jest czynnikiem lub cechą i ma tylko jedną unikalną wartość.

W tym samouczku przedstawiono dokładne kroki, które można wykonać, aby rozwiązać ten błąd.

Przykład: Jak naprawić „kontrasty można zastosować tylko do czynników o 2 lub więcej poziomach”

Załóżmy, że mamy następującą ramkę danych w 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

Należy zauważyć, że zmienna predykcyjna var2 jest czynnikiem i ma tylko jedną unikalną wartość.

Jeśli spróbujemy dopasować model regresji liniowej, używając var2 jako zmiennej predykcyjnej, otrzymamy następujący błąd:

 #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

Otrzymujemy ten błąd, ponieważ zmienna var2 ma tylko jedną unikalną wartość: 4. Ponieważ nie ma zmienności w tej zmiennej predykcyjnej, R nie jest w stanie skutecznie dopasować modelu regresji.

Właściwie możemy użyć następującej składni, aby policzyć liczbę unikalnych wartości dla każdej zmiennej w naszej ramce danych:

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

var1 var2 var3 var4 
   4 1 4 4 

I możemy użyć funkcji lapply() , aby wyświetlić każdą z unikalnych wartości każdej zmiennej:

 #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

Widzimy, że var2 jest jedyną zmienną, która ma unikalną wartość. Możemy więc poprawić ten błąd, po prostu usuwając zmienną var2 z modelu regresji:

 #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

Usuwając var2 z modelu regresji, nie napotykamy już poprzedniego błędu.

Dodatkowe zasoby

Jak wykonać prostą regresję liniową w R
Jak wykonać wielokrotną regresję liniową w R
Jak przeprowadzić regresję logistyczną w R