0

我在下图中分享了我正在处理的前 9 行数据（y0toy6是输出，其余是输入）：

我的目标是获得适合的输出数据y0to y6。

lm我使用以下命令在 R 中尝试了函数：

lm1 <- lm(cbind(y0, y1, y2, y3, y4, y5, y6) ~ tt + tcb + s + l + b, data = table3)
summary(lm1)

它返回了 7 组系数，如“响应y0”、“响应y1”等。

我真正想要的只是一组可以预测输出值的y0系数y6。

你能帮忙吗？

4

1 回答 1

2

通过cbind(y0, y1, y2, y3, y4, y5, y6)我们拟合 7 个独立模型（这是一个更好的主意）。

对于您要查找的内容，堆叠您的y*变量，复制其他自变量并进行一次回归。

Y <- c(y0, y1, y2, y3, y4, y5, y6)
tt. <- rep(tt, times = 7)
tcb. <- rep(tcb, times = 7)
s. <- rep(s, times = 7)
l. <- rep(l, times = 7)
b. <- rep(b, times = 7)

fit <- lm(Y ~ tt. + tcb. + s. + l. + b.)

的预测值y*是

matrix(fitted(fit), ncol = 7)

对于 OP 以外的其他读者

我在此准备了一个可重复的小例子（只有一个协变量x和两个重复y1）y2来帮助你消化这个问题。

set.seed(0)
dat_wide <- data.frame(x = round(runif(4), 2),
                       y1 = round(runif(4), 2),
                       y2 = round(runif(4), 2))
#     x   y1   y2
#1 0.90 0.91 0.66
#2 0.27 0.20 0.63
#3 0.37 0.90 0.06
#4 0.57 0.94 0.21

## The original "mlm"
fit_mlm <- lm(cbind(y1, y2) ~ x, data = dat_wide)

而不是做c(y1, y2)and rep(x, times = 2)，我会使用reshapeR base package 中的函数stats，因为这样的操作本质上是一个“宽”到“长”的数据集重塑。

dat_long <- stats::reshape(dat_wide,  ## wide dataset
                           varying = 2:3,  ## columns 2:3 are replicates
                           v.names = "y",  ## the stacked variable is called "y"
                           direction = "long"  ## reshape to "long" format
                           )
#       x time    y id
#1.1 0.90    1 0.91  1
#2.1 0.27    1 0.20  2
#3.1 0.37    1 0.90  3
#4.1 0.57    1 0.94  4
#1.2 0.90    2 0.66  1
#2.2 0.27    2 0.63  2
#3.2 0.37    2 0.06  3
#4.2 0.57    2 0.21  4

额外的变量time和id被创建。前者告诉一个案例来自哪个复制品；后者告诉哪个记录该案例在复制中。

为了对所有重复拟合相同的模型，我们做

fit1 <- lm(y ~ x, data = dat_long)
#(Intercept)            x  
#     0.2578       0.5801  

matrix(fitted(fit1), ncol = 2)  ## there are two replicates
#          [,1]      [,2]
#[1,] 0.7798257 0.7798257
#[2,] 0.4143822 0.4143822
#[3,] 0.4723891 0.4723891
#[4,] 0.5884029 0.5884029

不要惊讶两列是相同的；毕竟，两个重复只有一组回归系数。

如果您仔细考虑，我们可以改为执行以下操作：

dat_wide$ymean <- rowMeans(dat_wide[2:3])  ## average all replicates
fit2 <- lm(ymean ~ x, data = dat_wide)
#(Intercept)            x  
#     0.2578       0.5801

我们将得到相同的点估计。由于两个模型具有不同的样本量，标准误差和其他汇总统计量会有所不同。

coef(summary(fit1))
#             Estimate Std. Error   t value  Pr(>|t|)
#(Intercept) 0.2577636  0.2998382 0.8596755 0.4229808
#x           0.5800691  0.5171354 1.1216967 0.3048657

coef(summary(fit2))
#             Estimate Std. Error  t value    Pr(>|t|)
#(Intercept) 0.2577636 0.01385864 18.59949 0.002878193
#x           0.5800691 0.02390220 24.26844 0.001693604
于 2018-07-24T11:19:35.460 回答