In [39]: df
Out[39]:
index a b c
0 1 2 3 4
1 2 3 4 5
In [40]: df1 = df[['b', 'c']]
In [41]: df1
Out[41]:
b c
0 3 4
1 4 5
Все, что вам нужно, это
x <- factor( x , ordered = FALSE )
, например
x <- factor( c(1,2,"a") , ordered = TRUE )
x
#[1] 1 2 a
#Levels: 1 < 2 < a
x <- factor( x , ordered = FALSE )
x
#[1] 1 2 a
#Levels: 1 2 a
Если вы создали свою переменную через ordered
, это так же просто, как сбросить свой класс на factor
.
f <- ordered(letters)
class(f) <- "factor"
identical(f, factor(letters))
В линейной или аддитивной модели (включая линейная регрессия, логистическая регрессия и все, что соответствует lm
, glm
и gam
), фактор-предиктор обрабатывается точно так же, как и упорядоченный предсказатель с точки зрения общей пригодности модели. Вы будете получать одинаковые предсказанные значения, остатки, статистику отсутствия соответствия и т. Д., Независимо от того, какой из них вы используете.
Однако контрасты различаются для двух классов , Фактор использует контрасты лечения, то есть обычное кодирование с манекен-переменной с заданным уровнем, рассматриваемым как базовый уровень. В упорядоченном множителе используются полиномиальные контрасты, основанные на ортогональных многочленах (что бы это ни значило: у меня никогда не было причины использовать упорядоченные факторы). Из-за этого t-stats и P-значения для отдельных коэффициентов будут разными.