我试图使用数据集中的各种分类变量，建立一个预测癌症(1)或无癌症(0)的逻辑回归.
在原始数据集中，有一个"计数"列，指示每个组合的频率.
数据集很大，所以为了减少数据集中的行数，他们添加了一个"count"列来指示这些变量组合发生了xxx次.
如何将此计数列纳入逻辑回归？
my_model <- glm(cancer ~ age_grp + density + race + bmi, bcancer)
非常感谢.非常感谢您的指导！
来自BCSC的数据集:https://www.bcsc-research.org/data/rfdataset/dataset
你似乎有这样的数据.
head(dat)
# cancer age_grp race bmi count
# 1 0 1 1 18 561
# 2 1 1 1 18 997
# 3 0 2 1 18 321
# 4 1 2 1 18 153
# 5 0 3 1 18 74
# 6 1 3 1 18 228
你可以用count作为权重来计算加权回归.
summary(glm(cancer ~ age_grp + race + bmi, family=binomial(), dat,
weights=count))$coef
# Estimate Std. Error z value Pr(>|z|)
# (Intercept) 0.364588477 0.041604639 8.763169 1.898369e-18
# age_grp 0.009726589 0.002182186 4.457269 8.301035e-06
# race 0.020779774 0.005636968 3.686339 2.275036e-04
# bmi -0.021827620 0.001754685 -12.439623 1.592543e-35
你也可以try "解包"数据，
dat_unpack <- do.call(rbind.data.frame,
apply(dat, 1, \(x)
t(replicate(x['count'], x[setdiff(names(x), 'count')]))))
head(dat_unpack)
# cancer age_grp race bmi
# 1 0 1 1 18
# 2 0 1 1 18
# 3 0 1 1 18
# 4 0 1 1 18
# 5 0 1 1 18
# 6 0 1 1 18
但这是爱的浪费，因为除了通常的舍入误差，结果是相同的.
summary(glm(cancer ~ age_grp + race + bmi, family=binomial(), dat_unpack))$coef
# Estimate Std. Error z value Pr(>|z|)
# (Intercept) 0.364588477 0.041604640 8.763169 1.898374e-18
# age_grp 0.009726589 0.002182186 4.457268 8.301070e-06
# race 0.020779774 0.005636970 3.686338 2.275043e-04
# bmi -0.021827620 0.001754685 -12.439621 1.592570e-35
Data
set.seed(42)
dat <- expand.grid(cancer=0:1, age_grp=1:7, race=1:3, bmi=18:26)
dat$count <- sample(1e3, nrow(dat), replace=TRUE)