Supongamos que tengo una variable de respuesta y un dato que contiene tres covariables (como un ejemplo de juguete):
y = c(1,4,6) d = data.frame(x1 = c(4,-1,3), x2 = c(3,9,8), x3 = c(4,-4,-2))
Quiero ajustar una regresión lineal a los datos:
fit = lm(y ~ d$x1 + d$x2 + d$y2)
¿Hay alguna manera de escribir la fórmula, para que no tenga que escribir cada covariable individual? Por ejemplo, algo así como
fit = lm(y ~ d)
(Quiero que cada variable en el dataframe sea una covariable). Pregunto porque en realidad tengo 50 variables en mi dataframe, así que quiero evitar escribir x1 + x2 + x3 + etc
Hay un identificador especial que uno puede usar en una fórmula para significar todas las variables, es el .
identificador.
y <- c(1,4,6) d <- data.frame(y = y, x1 = c(4,-1,3), x2 = c(3,9,8), x3 = c(4,-4,-2)) mod <- lm(y ~ ., data = d)
También puede hacer cosas como esta, para usar todas las variables, una barra:
mod <- lm(y ~ . - x3, data = d)
Técnicamente,. significa todas las variables no mencionadas en la fórmula . Por ejemplo
lm(y ~ x1 * x2 + ., data = d)
donde .
solo haría referencia a x3
ya que x1
y x2
ya están en la fórmula.
Un enfoque ligeramente diferente es crear su fórmula a partir de una cadena. En la página de ayuda de formula
, encontrará el siguiente ejemplo:
## Create a formula for a model with a large number of variables: xnam <- paste("x", 1:25, sep="") fmla <- as.formula(paste("y ~ ", paste(xnam, collapse= "+")))
Luego, si observas la fórmula generada, obtendrás:
R> fmla y ~ x1 + x2 + x3 + x4 + x5 + x6 + x7 + x8 + x9 + x10 + x11 + x12 + x13 + x14 + x15 + x16 + x17 + x18 + x19 + x20 + x21 + x22 + x23 + x24 + x25
Sí, por supuesto, simplemente agregue la respuesta y
como primera columna en el dataframe y llame a lm()
sobre él:
d2<-data.frame(y,d) > d2 y x1 x2 x3 1 1 4 3 4 2 4 -1 9 -4 3 6 3 8 -2 > lm(d2) Call: lm(formula = d2) Coefficients: (Intercept) x1 x2 x3 -5.6316 0.7895 1.1579 NA
Además, mi información acerca de R indica que la asignación con <-
se recomienda sobre =
.
Una extensión del método de Juba es usar reformulate
, una función que está explícitamente diseñada para tal tarea.
## Create a formula for a model with a large number of variables: xnam <- paste("x", 1:25, sep="") reformulate(xnam, "y") y ~ x1 + x2 + x3 + x4 + x5 + x6 + x7 + x8 + x9 + x10 + x11 + x12 + x13 + x14 + x15 + x16 + x17 + x18 + x19 + x20 + x21 + x22 + x23 + x24 + x25
Para el ejemplo en el OP, la solución más fácil aquí sería
# add y variable to data.frame d d <- cbind(y, d) reformulate(names(d)[-1], names(d[1])) y ~ x1 + x2 + x3
o
mod <- lm(reformulate(names(d)[-1], names(d[1])), data=d)
Tenga en cuenta que agregar la variable dependiente a data.frame en d <- cbind(y, d)
es preferible no solo porque permite el uso de reformulate
, sino también porque permite el uso futuro del objeto lm
en funciones como predict
.
Construyo esta solución, reformulate
no me importa si los nombres de variables tienen espacios en blanco.
add_backticks = function(x) { paste0("`", x, "`") } x_lm_formula = function(x) { paste(add_backticks(x), collapse = " + ") } build_lm_formula = function(x, y){ if (length(y)>1){ stop("y needs to be just one variable") } as.formula( paste0("`",y,"`", " ~ ", x_lm_formula(x)) ) } # Example df <- data.frame( y = c(1,4,6), x1 = c(4,-1,3), x2 = c(3,9,8), x3 = c(4,-4,-2) ) # Model Specification columns = colnames(df) y_cols = columns[1] x_cols = columns[2:length(columns)] formula = build_lm_formula(x_cols, y_cols) formula # output # "`y` ~ `x1` + `x2` + `x3`" # Run Model lm(formula = formula, data = df) # output Call: lm(formula = formula, data = df) Coefficients: (Intercept) x1 x2 x3 -5.6316 0.7895 1.1579 NA
`` `
Puede verificar los leaps
del paquete y, en particular, las funciones regsubsets()
para la selección del modelo. Como se indica en la documentación:
Selección del modelo mediante búsqueda exhaustiva, paso a paso hacia adelante o hacia atrás, o reemplazo secuencial