R语言glm函数subset参数筛选特定收入报错及中位数筛选实现

特定收入值筛选时的报错原因 #

你遇到的一系列报错（空数值输入、无有效观测、算法不收敛、object 'fit' not found），核心诱因都是subset参数筛选后没有留下任何可用于建模的有效观测，属于空样本输入导致的连锁错误，不是glm函数本身的逻辑bug。
常见的空样本触发原因有两类：

• 收入字段没有严格等于20000的匹配值
  很多场景下的收入20K是档位概念，实际存储的income可能是带小数的精确收入（比如19999.8、20000.3）、区间分段值，甚至是"20K"这类文本编码，用income == 20000做严格等值判断时，会因为值的精度、类型不匹配返回全FALSE，筛完就没有样本了。
• 判断逻辑的作用域不匹配
  如果直接在公式里写数据集前缀（比如你代码里的district21$expend），可能和subset的作用域规则产生冲突，导致判断逻辑取不到正确的income字段值。

排查的时候不需要反复跑glm，先单独验证subset的判断结果即可：

# 统计income等于20000的样本数，自动忽略缺失值
sum(district21$income == 20000, na.rm = T)
# 查看income的所有实际取值，确认是否存在20000的记录
table(district21$income, useNA = "ifany")

如果确认是精度问题导致匹配不到，不要用严格等值判断，可以根据实际值的分布调整判断逻辑，比如：

• 取整后匹配：subset = round(income) == 20000
• 按收入区间匹配：subset = income >= 19000 & income < 21000

基于中位数的筛选条件正确写法 #

你写的subset = income > median()是无效的，因为median()函数没有指定要计算的对象，根本无法拿到收入字段的中位数数值。
正确写法需要明确把income字段传入median计算，同时加上缺失值处理参数避免异常：

# 筛选收入高于中位数的样本建模
glm(expend ~ 1 + income,
    family = gaussian(link = "identity"),
    data = district21,
    subset = income > median(income, na.rm = T))

• 注意必须加na.rm = T参数：如果income字段存在缺失值，不带这个参数的median会返回NA，导致整个subset的判断结果全为NA，又会回到之前空样本的报错。
• 更稳妥的写法是先把中位数计算成独立对象，避免重复计算、逻辑更清晰：

# 先计算全样本的收入中位数，排除缺失值影响
income_median <- median(district21$income, na.rm = T)
# 高收入组（收入高于中位数）建模
glm_high_inc <- glm(expend ~ 1 + income,
                    family = gaussian(link = "identity"),
                    data = district21,
                    subset = income > income_median)
# 低收入组（收入低于中位数）建模
glm_low_inc <- glm(expend ~ 1 + income,
                   family = gaussian(link = "identity"),
                   data = district21,
                   subset = income < income_median)

小提示：公式部分不需要额外加数据集前缀，已经通过data参数指定了建模数据集，直接写变量名即可，避免作用域冲突。

内容的提问来源于stack exchange，提问作者apetro