在R中将26个行业变量分组用于多元线性回归的技术求助

你创建的划分向量是有用的，但可以优化大小写处理，避免手动重复输入不同大小写的行业名称。下面一步步帮你完成分类和回归准备：

1. 统一大小写，解决匹配漏洞 #

原数据里的行业有大小写差异（比如PublicSector和Publicsector），手动保留两种形式太麻烦，直接统一转成小写就能彻底解决匹配问题：

# 把你的划分向量转成小写
env_sensitive_sectors_lower <- tolower(env_sensitive_sectors)
nonenv_sensitive_sectors_lower <- tolower(nonenv_sensitive_sectors)

# 假设你的数据集叫df，行业列名为`sector`，先把行业列也转成小写
df$sector_lower <- tolower(df$sector)

2. 生成二元分类新列（必须步骤） #

你确实需要生成新列，因为多元线性回归不能直接用26个字符型的行业值，需要把它转成二元分类变量（1代表环境敏感，0代表非敏感）。这里给两种方法，选你顺手的：

方法一：用dplyr（新手友好，代码易读） #

如果还没装dplyr，先安装：

install.packages("dplyr")
library(dplyr)

然后生成新列：

df <- df %>%
  mutate(
    env_sensitive = case_when(
      sector_lower %in% env_sensitive_sectors_lower ~ 1,
      sector_lower %in% nonenv_sensitive_sectors_lower ~ 0,
      TRUE ~ NA_real_  # 不在你划分列表里的行业会被标记为缺失值，方便后续检查
    )
  )

方法二：基础R（不用额外装包） #

# 先给新列设为缺失值
df$env_sensitive <- NA

# 标记环境敏感行业为1
df$env_sensitive[df$sector_lower %in% env_sensitive_sectors_lower] <- 1

# 标记非环境敏感行业为0
df$env_sensitive[df$sector_lower %in% nonenv_sensitive_sectors_lower] <- 0

3. 检查分类是否正确 #

用table()函数可以快速查看每个行业对应的分类结果，确保没有错误：

table(df$sector, df$env_sensitive)

4. 代入回归模型 #

生成的env_sensitive是数值型变量，直接放进线性回归就行。假设你的因变量是y，其他自变量是x1、x2，代码示例：

model <- lm(y ~ env_sensitive + x1 + x2, data = df)
summary(model)

额外提示 #

• 二元变量（1/0）在回归里的系数很好解释：代表环境敏感行业相对于非敏感行业，因变量的平均变化量。
• 如果后续想把它转成因子型（比如标签为"敏感"/"非敏感"），可以用df$env_sensitive_factor <- factor(df$env_sensitive, levels = c(0,1), labels = c("非环境敏感", "环境敏感"))，因子型也能直接用在回归里。

内容的提问来源于stack exchange，提问作者rnoob