在 R 中为数据集中的特定列循环线性回归

Posted 2023-02-14

【中文标题】在 R 中为数据集中的特定列循环线性回归

【英文标题】：Looping linear regression in R for specific columns in dataset

【发布时间】：2022-01-22 14:58:53

【问题描述】：

我有以下数据集：

df <- data.frame(row_id = c(100, 101, 102, 103, 104, 105, 106, 107, 108, 109),
     level = c(1000,2000,3000,4000,5000,6000,7000,8000,9000,10000),
     col1 = c(1,0,1,1,1,0,0,1,1,0),
     col2 = c(1,1,1,0,0,1,1,1,0,0),
     col3 = c(0,0,1,0,0,1,1,1,1,0),
     col4 = c(1,1,1,0,0,1,0,1,1,1),
     col5 = c(1,1,1,0,1,0,1,0,0,1))

我想对变量level 与前缀为col 的其他每一列进行线性回归。我想使用 for 循环函数来执行此操作，而不是执行以下操作：

lm1<-lm(level~col1, data=df)
lm2<-lm(level~col2, data=df)
lm3<-lm(level~col3, data=df)
lm4<-lm(level~col4, data=df)
lm5<-lm(level~col5, data=df)

任何帮助将不胜感激，谢谢！

【问题讨论】：

这能回答你的问题吗？ How to Loop/Repeat a Linear Regression in R

【参考方案1】：

df <-
  data.frame(
    row_id = c(100, 101, 102, 103, 104, 105, 106, 107, 108, 109),
    level = c(1000, 2000, 3000, 4000, 5000, 6000, 7000, 8000, 9000, 10000),
    col1 = c(1, 0, 1, 1, 1, 0, 0, 1, 1, 0),
    col2 = c(1, 1, 1, 0, 0, 1, 1, 1, 0, 0),
    col3 = c(0, 0, 1, 0, 0, 1, 1, 1, 1, 0),
    col4 = c(1, 1, 1, 0, 0, 1, 0, 1, 1, 1),
    col5 = c(1, 1, 1, 0, 1, 0, 1, 0, 0, 1)
  )

library(tidyverse)

VARS <- grep("^col", names(df), value = TRUE) %>% 
  set_names()

map(VARS, ~lm(reformulate(.x, "level"), data = df)) %>% 
  map(summary)
#> $col1
#> 
#> Call:
#> lm(formula = reformulate(.x, "level"), data = df)
#> 
#> Residuals:
#>    Min     1Q Median     3Q    Max 
#>  -4250  -1750   -125   2438   4000 
#> 
#> Coefficients:
#>             Estimate Std. Error t value Pr(>|t|)   
#> (Intercept)     6250       1569   3.984  0.00404 **
#> col1           -1250       2025  -0.617  0.55425   
#> ---
#> Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> 
#> Residual standard error: 3137 on 8 degrees of freedom
#> Multiple R-squared:  0.04545,    Adjusted R-squared:  -0.07386 
#> F-statistic: 0.381 on 1 and 8 DF,  p-value: 0.5543
#> 
#> 
#> $col2
#> 
#> Call:
#> lm(formula = reformulate(.x, "level"), data = df)
#> 
#> Residuals:
#>    Min     1Q Median     3Q    Max 
#>  -3500  -2375      0   2375   3500 
#> 
#> Coefficients:
#>             Estimate Std. Error t value Pr(>|t|)   
#> (Intercept)     7000       1452   4.820  0.00132 **
#> col2           -2500       1875  -1.333  0.21914   
#> ---
#> Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> 
#> Residual standard error: 2905 on 8 degrees of freedom
#> Multiple R-squared:  0.1818, Adjusted R-squared:  0.07955 
#> F-statistic: 1.778 on 1 and 8 DF,  p-value: 0.2191
#> 
#> ...

^{由reprex package (v2.0.1) 于 2021 年 12 月 21 日创建}

【参考方案2】：

如果您只对系数感兴趣，您可以通过重塑数据来做到这一点。您不需要 for 循环。标准误差估计会有一些限制。系数将是正确的：

lm(level~ind/values-1,cbind(df[1:2], stack(df, -(1:2))))

Call:
  lm(formula = level ~ ind/values - 1, data = cbind(df[1:2], stack(df, 
    -(1:2)))) 
Coefficients:
       indcol1         indcol2         indcol3         indcol4  
        6250.0          7000.0          4400.0          5333.3  
       indcol5  indcol1:values  indcol2:values  indcol3:values  
        6750.0         -1250.0         -2500.0          2200.0  
indcol4:values  indcol5:values  
         238.1         -2083.3  

fhe 系数如下：Indcol1 是 col1 的截距，而 indcol1:values 是系数​​。

将此与您的结果进行比较

你也可以这样做：

  lapply(df[-(1:2)], function(x)lm(df$level~x))

这样做的问题是你不知道变量名。

另一种方式：

lapply(names(df)[-(1:2)], function(x)lm(reformulate(x, 'level'), df))

【参考方案3】：

首先，我们需要一种方法来根据我们选择的变量创建一个公式。一种方法：

as.formula(paste0("level ~", var))

其中var 是类似"col1" 的变量。

现在我们只需要为每个模型创建循环。如果你想使用for 循环来做到这一点，你可以这样做：

models = list()
# Create a vector of the explanatory variables
variables = setdiff(names(df), c("row_id", "level"))

for (var in variables) 
  models[[var]] = lm(
    as.formula(paste0("level ~ ", var)),
    data = df
  )

models 是一个包含每个模型的列表 - 例如，您可以通过 models$col3 使用 col3 访问模型：

> summary(models$col3)

Call:
lm(formula = as.formula(paste0("level ~ ", var)), data = df)

Residuals:
   Min     1Q Median     3Q    Max 
 -3600  -1950      0   1200   5600 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)  
(Intercept)     4400       1327   3.317   0.0106 *
col3            2200       1876   1.173   0.2747  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 2966 on 8 degrees of freedom
Multiple R-squared:  0.1467,    Adjusted R-squared:   0.04 
F-statistic: 1.375 on 1 and 8 DF,  p-value: 0.2747

随着需求变得越来越复杂，您可以对这种方法进行很多改进，但这是一个好的开始。