使用线性回归为线性回归模型估算缺失值

问题描述

我抓取了一个房地产网站，并希望使用线性回归将缺失的数据归因于总面积（缺失约40％）。我使用价格，房间数量，卧室，浴室和化妆间达到了最佳效果。

Correlation matrix

在房间信息中添加价格会有很大的不同。这是有道理的，因为仅房间数量并不能提供任何有关这些房间可能多大的信息。价格可以减少这种不确定性。包含模型的R ^ 2得分与不包含价格的R ^ 2得分之间存在20分的差（0.62 vs 0.82）。

我看到的问题是，我的最终模型也可能是将价格作为目标的线性回归。因此，将价格包含在预测归因总面积中似乎是错误的。结果，我的最终模型将看起来更好，但我将设计一个综合关联。这一点特别重要，因为需要替换大约40％的值。

有人反对吗？即使价格将成为最终模型的目标，我也应该保留价格作为预测缺失值的预测因素吗？

解决方法

根据上下文，我认为您是在谈论酒店价格？

根据我的经验，为预测变量值插补缺失值，确实可以显着提高R ^ 2分数，但是，插补预测变量的次数越多，观察到的结果就越少，因此对得出这样的结论：从更大的角度看待酒店价格，因为您可能永远不知道是否存在变化较大的未观察到的酒店价格，对吗？