使用百分位数作为预测变量-好主意吗？

我正在考虑一个问题，该问题是使用线性回归来预测客户的对数（支出）。

我正在考虑将哪些功能用作输入，并想知道将变量的百分位数用作输入是否可以。

例如，我可以将公司收入用作输入。我想知道的是，我是否可以使用公司收入百分比来代替。

另一个示例是分类行业分类器（NAICS）-如果我要查看每个NAICS代码的中位数支出，然后将每个NAICS代码分配给一个“ NAICS百分位数”，那将是我可以使用的有效解释变量吗？

只想知道使用百分位数时是否有任何需要注意的问题？它在某种程度上等同于一种要素缩放吗？

regression linear-model quantiles predictor

— 安德鲁姆4894
source

如果您拥有原始数据，为什么要使用百分位数？也许这不是一个好主意，因为百分位只是序数，不是公制量度。但是我不确定偏差/效率。

— hplieninger

百分位数

X

$X$ s与他们的方式不一致

X

$X$ 有其作用。常见的错误是预测健康结果时体重或BMI的百分位数。体重的物理学要求，与一个人的身体功能有关的是一个人的身体尺寸，而不是样本中有多少人体重低于一个受试者的体重或BMI。

— Frank Harrell

如果您可以合理地将您的行业变量按组进行聚类（例如4），请使用虚拟编码（或任何其他合适的编码方案），那么您就完成了。我就是那样做的。

— hplieninger

我想不出百分位数与因变量线性相关的原因。如果您能想到一个，那就可以了（请用您的理由更新您的问题）

— 彼得·弗洛姆

如果您想使用NAICS代码作为公司支出的代理，则可以使用其NAICS代码中的平均支出-无需使用百分位数。

— Scortchi-恢复莫妮卡

如果您的模型需要在公司收入方面进行某种竞争，则可以使用百分位数。对数百分位数似乎更有意义，分位数的值不会线性变化，或者我可以想象。

在这个故事中，您包括在观察公司下具有收入的公司的ln（％）。故事是，高收入者的声誉比低收入者的声誉要好，而这种“比竞争者拥有更多利益”的关系是相关的，而不是收入水平本身。我认为这是公司认可和品牌塑造的重要组成部分。

— 回归前进
source