как отменить список моделей регрессии в R - PullRequest
Новая
       5

как отменить список моделей регрессии в R

0 голосов
/ 02 июня 2019

Я установил несколько моделей на одну переменную (а) как mod1.Выход mod1 содержит список регрессионных фитингов из 5 моделей.Я сделал несколько операций в списке моделей.Теперь я хочу вывести mod1 в единый вывод модели регрессии, такой как fit1, fit2, ... fit5 и т. Д. 

func <-function(z){
  fit1 <- lm( y~ x + z )
  fit2 <- lm( y~x + I(z^2))
  fit3 <- lm( y~poly(x,3) + z)
  fit4 <- lm( y~ns(x, 3) + z)
  fit5 <- lm( y~ns(x, 9) + z)
  return(list(fit1, fit2, fit3, fit4, fit5))
}

mod1 <- func(data$a) 

test <- unlist(mod1, recursive = TRUE, use.names = TRUE)

Когда я использовал unlist (), вывод превратился в очень длинные непонятные строки.Даже когда я попробовал следующее, это все еще список из 1 модели.

fit1 <- mod1[1]

Кто-нибудь имеет представление о том, как отделить модели одну от другой из списка результатов регрессионных моделей?

Заранее спасибо!

1 Ответ

1 голос
/ 02 июня 2019

Я бы порекомендовал использовать комбинацию broom, чтобы упорядочить вывод lm, и стандартные методы списков lapply и [[ индексирования для работы со списками.

Подробнее о работе со списками в R здесь . 

library(splines)

# create some example data
d <- data.frame(x = rnorm(100, 0, 1),
                y = rnorm(100, 0, 1),
                z = rnorm(100, 0, 1))

# function to fit 5 models
func <-function(d){
  fit1 <- lm( y~ x + z, data = d)
  fit2 <- lm( y~x + I(z^2), data = d)
  fit3 <- lm( y~poly(x,3) + z, data = d)
  fit4 <- lm( y~ns(x, 3) + z, data = d)
  fit5 <- lm( y~ns(x, 9) + z, data = d)

  # store models in a list
  l <- list(fit1, fit2, fit3, fit4, fit5)

  # name the models
  names(l) <- paste0("fit", 1:5) 

  return(l)
}

# run the function
mods <- func(d)

Доступ к каждому элементу списка в двойных скобках [[

mods[[1]]

Call:
  lm(formula = y ~ x + z, data = d)

Coefficients:
  (Intercept)            x            z  
0.03339     -0.05128     -0.15288  

mods[[2]]

Call:
  lm(formula = y ~ x + I(z^2), data = d)

Coefficients:
  (Intercept)            x       I(z^2)  
0.01739     -0.04490      0.01258

Используйте метлу, чтобы "привести в порядок" вывод модели 

library(broom)
tidy(mods[[1]])

# A tibble: 3 x 5
term        estimate std.error statistic p.value
<chr>          <dbl>     <dbl>     <dbl>   <dbl>
  1 (Intercept)   0.0334    0.0985     0.339   0.735
2 x            -0.0513    0.103     -0.499   0.619
3 z            -0.153     0.102     -1.50    0.138

Используйте lapply (или purrr::map), чтобы привести в порядок список выходных данных модели. 

tidy_mods <- lapply(mods, tidy) 

# add names to each data frame and combine into one big data frame
for(i in 1:length(tidy_mods)) tidy_mods[[i]]$mod <- names(tidy_mods[i])
do.call(rbind.data.frame, tidy_mods)

# A tibble: 27 x 6
term        estimate std.error statistic p.value mod  
* <chr>          <dbl>     <dbl>     <dbl>   <dbl> <chr>
  1 (Intercept)   0.0334    0.0985     0.339  0.735  fit1 
2 x            -0.0513    0.103     -0.499  0.619  fit1 
3 z            -0.153     0.102     -1.50   0.138  fit1 
4 (Intercept)   0.0174    0.130      0.134  0.894  fit2 
5 x            -0.0449    0.105     -0.429  0.669  fit2 
6 I(z^2)        0.0126    0.0894     0.141  0.888  fit2 
7 (Intercept)   0.0309    0.0975     0.317  0.752  fit3 
8 poly(x, 3)1  -0.493     0.975     -0.505  0.614  fit3 
9 poly(x, 3)2  -0.569     0.975     -0.584  0.561  fit3 
10 poly(x, 3)3   1.78      0.976      1.83   0.0709 fit3
...