R语言：季度级数据聚合与线性模型拟合技术咨询

嘿，我来帮你一步步搞定这两个任务！先从数据聚合开始，再聊聊怎么分析d1、d2对y占比的影响～

用dplyr做这个聚合其实很简洁，核心思路是按季度分组，然后计算每个季度内y=1的实体比例。假设你的数据集叫df，包含quarter（季度标识）、id（唯一实体ID）、y（二元结果变量）、d1和d2（实体特征虚拟变量）这些列，代码如下：

library(dplyr)

# 生成季度级别的y=1占比统计
quarterly_y_stats <- df %>%
  # 按季度分组
  group_by(quarter) %>%
  summarise(
    total_unique_entities = n_distinct(id),  # 每个季度的唯一实体总数
    y1_ratio = mean(y == 1, na.rm = TRUE)    # y=1的实体占比，na.rm处理缺失值
  )

# 如果y本身是0/1的数值型变量，直接用mean(y, na.rm=TRUE)更省事
# quarterly_y_stats <- df %>% group_by(quarter) %>% summarise(y1_ratio = mean(y, na.rm=TRUE))

这段代码会输出每个季度的唯一实体数量，以及对应y=1的实体占比。如果你的y是因子类型（比如"yes"/"no"），记得先转成数值型：y = as.numeric(y == "yes")。

这里分两种常用的分析思路，你可以根据数据特点选择：

思路1：实体-季度层面的逻辑回归（精准捕捉个体效应） #

因为y是二元变量，逻辑回归是最适合的模型。如果你的实体在多个季度都有数据，还可以加入季度固定效应来控制时间趋势，代码如下：

# 逻辑回归：分析d1、d2对y=1概率的影响，加入季度固定效应
logit_model <- glm(
  formula = y ~ d1 + d2 + factor(quarter),
  data = df,
  family = binomial(link = "logit")
)

# 查看模型结果
summary(logit_model)

模型里的系数是对数发生比，如果想转换成更直观的概率变化，可以用marginaleffects包计算平均边际效应：

library(marginaleffects)

# 计算d1、d2的平均边际效应（即d1/d2每变化1单位，y=1概率的平均变化）
avg_margins <- avg_slopes(logit_model, variables = c("d1", "d2"))
print(avg_margins)

思路2：先聚合到季度-特征组，再做加权线性回归 #

如果你更关注季度层面的占比变化和特征的关系，可以先按季度+d1+d2分组，计算每个组的y占比，再用加权线性回归（用组内实体数做权重，避免样本量小的组干扰结果）：

# 第一步：聚合到季度-特征组
grouped_quarterly <- df %>%
  group_by(quarter, d1, d2) %>%
  summarise(
    y1_ratio = mean(y == 1, na.rm = TRUE),
    group_entity_count = n_distinct(id),  # 组内实体数量，用于加权
    .groups = "drop"  # 取消分组，方便后续回归
  )

# 第二步：加权线性回归
weighted_lm_model <- lm(
  formula = y1_ratio ~ d1 + d2 + factor(quarter),
  data = grouped_quarterly,
  weights = group_entity_count  # 用实体数加权，提升结果可靠性
)

summary(weighted_lm_model)

这个模型的系数可以直接解释：比如d1的系数是0.1，意味着d1=1的实体组，y=1的占比平均比d1=0的组高10个百分点。

额外注意点 #

• 如果d1和d2存在交互效应（比如d1的影响在d2不同取值下不一样），可以在模型里加入d1:d2项；
• 如果实体有固定的未观测特征（比如不同实体本身的差异），可以考虑用面板数据模型（比如plm包的固定效应logit）；
• 先检查数据里的缺失值，用na.omit(df)或者df %>% drop_na()处理后再建模。

内容的提问来源于stack exchange，提问作者kathystehl