报价数据的线性回归模型
Linear Regression Model for Quote Data
我想建立一个线性回归模型来确定各种参数对报价的影响。报价的数据收集了 10 年。
y = 价格
X = [System size(int),ZIP, Year, module_manufacturer, module_name, inverter_manufacturer,inverter_name, 电池存储（二进制），数量installers/offerer in the region(int), installer_density, new_construction(binary), self_installation(binary), 家庭密度]
问题：
- 什么类型的回归模型适合这个数据集？
- 由于技术进步，报价逐年下降。我如何解释模型中的不同年份？我发现了一些例子，其中年份被视为二进制变量。另一种选择：每年的多元回归模型。有没有办法组合这些多个模型？
- 数据集是否属于面板数据类型？
不幸的是，我还没有找到任何可以明确帮助我处理数据的信息。但也许我没有使用正确的搜索词。如果有任何建议能使我朝着正确的方向前进，我将非常高兴。
假设您有一个名为 data 的 data.frame，其中包含价格、system_size、邮编、年份、battery_storage 等列。那么您可以从简单的线性回归开始:
lm(price ~ system_size + zip + year + battery_storage, data = data)
year 包含在模型中，因此您可以考虑随时间的变化。
如果您想去除批次效应（例如不同地区的邮政编码）并且您只想在去除不同位置的影响后对价格进行建模，您可以 运行 线性混合模型：
lmerTest::lmer(price ~ system_size + year + battery_storage + (1|zip), data = data)
如果你有很高的相关性，例如在年份和 system_size 之间，您可能希望在公式中包含 year:system_size 等交互项。
根据经验，每个变量需要 10 个样本才能获得合理的拟合。如果多了可以先做一个变量选择
我想建立一个线性回归模型来确定各种参数对报价的影响。报价的数据收集了 10 年。
y = 价格
X = [System size(int),ZIP, Year, module_manufacturer, module_name, inverter_manufacturer,inverter_name, 电池存储（二进制），数量installers/offerer in the region(int), installer_density, new_construction(binary), self_installation(binary), 家庭密度]
问题：
- 什么类型的回归模型适合这个数据集？
- 由于技术进步，报价逐年下降。我如何解释模型中的不同年份？我发现了一些例子，其中年份被视为二进制变量。另一种选择：每年的多元回归模型。有没有办法组合这些多个模型？
- 数据集是否属于面板数据类型？
不幸的是，我还没有找到任何可以明确帮助我处理数据的信息。但也许我没有使用正确的搜索词。如果有任何建议能使我朝着正确的方向前进，我将非常高兴。
假设您有一个名为 data 的 data.frame，其中包含价格、system_size、邮编、年份、battery_storage 等列。那么您可以从简单的线性回归开始:
lm(price ~ system_size + zip + year + battery_storage, data = data)
year 包含在模型中，因此您可以考虑随时间的变化。
如果您想去除批次效应（例如不同地区的邮政编码）并且您只想在去除不同位置的影响后对价格进行建模，您可以 运行 线性混合模型：
lmerTest::lmer(price ~ system_size + year + battery_storage + (1|zip), data = data)
如果你有很高的相关性，例如在年份和 system_size 之间，您可能希望在公式中包含 year:system_size 等交互项。
根据经验，每个变量需要 10 个样本才能获得合理的拟合。如果多了可以先做一个变量选择