问题标签 [lm]

我正在解决一个问题，我想使用其他两个线性模型的残差来构建线性模型。我使用 UN3 数据集来显示我的问题，因为它比使用我的实际数据集更容易将问题放在这里。

这是我的 R 代码：

这是我得到的错误：

我真的不明白为什么会发生这个错误。如果是与日志相关的问题，那么我在构建前两个模型时应该会收到错误消息。

我正在尝试将拟合的二次曲线添加到绘图中。

显示的回归是线性的而不是二次的，我收到以下消息：

消息 d'avis : In abline(lm(data ~ factor + I(factor^2)), col = palette[iteration]) : 使用 des deux Premiers des 3 coefficients de régression

意思是：

使用 3 个回归系数中的前 2 个

仅运行该lm()功能时，我没有收到任何消息。

这是一个示例数据：

在回归模型中是否可以只包含与一个因子的一个虚拟变量的交互？例如，假设我有：

是否可以建立一个模型，如：

但只包括与一级的交互X？我意识到我可以为每个级别创建一个单独的虚拟变量x，但如果可能的话，我想简化一些事情。

非常感谢任何输入！

是否有一个类似于“runif”、“rnorm”等的函数可以产生线性模型的模拟预测？我可以自己编写代码，但是代码很难看，我认为这是以前有人做过的事情。

我感兴趣的是一个看起来像下面一行的函数：

该函数将根据新的 x 变量返回 1000 个 y 值模拟。

我想自动化以下过程。

1. 使用 . 拟合 (lm /glm) 模型step()。
2. 提取 (1) 的结果模型中的变量，例如 (X1+X2)，如Y~X1+X2
3. 在新的 lm/glm（加上一些新变量）中重新使用 (1) 中的模型。

我了解模型公式可以使用model$call或model$terms从哪里访问模型公式model，例如

但我无法正确提取它并在新模型中重新使用它，例如：

似乎需要对 model$call 进行处理，但我不确定数组的结构以及如何折叠它。谢谢。

好吧，这很奇怪。我怀疑这是内部的一个错误data.table，但如果有人能解释为什么会发生这种情况，那将会很有用 - 究竟在update做什么？

我正在使用list(list())里面的技巧data.table来存储拟合的模型。当您为不同的分组创建一系列lm对象，然后创建update这些模型时，所有模型的模型数据将成为最后一个分组的模型数据。这似乎是一个参考挂在某个应该制作副本的地方，但我找不到在哪里，也无法在 and 之外复制lm它update。

具体例子：

从 iris 数据开始，首先使三个物种的样本量不同，然后lm为每个物种拟合一个模型，更新这些模型：

原始数据表中每个物种的数量不同

第一次拟合证实了这一点：

但更新后的第二次拟合显示所有模型的 42

我们还可以查看包含用于拟合的数据的模型属性，并看到所有模型确实都在使用最终组数据。问题是这是怎么发生的？

我曾经lm()为 R 中的多个（约 100 万）响应变量拟合多个回归模型。

这将返回一个“mlm”类的对象，它就像一个包含所有模型的巨大对象。我想获得每个模型的残差平方和，我可以使用：

我的问题是我认为“汇总”函数也计算了一大堆其他东西，因此很慢。我想知道是否有更快的方法来提取模型的残差平方和？

谢谢！

在使用正则表达式之前，我已经为此制定了一个非常冗长的解决方案，但我希望有一种更原生的方法来做到这一点。

给定一个模型，也许像

我想确定公式中哪个系数与哪个变量有关。像这样：

我已经检查过了model.matrix，model.formula但是那些让我看到了这行代码

我深入研究了 C 代码，但我认为必须有一种更简单的方法。有没有？

为了回应 DWin 的好回答，我构建了一个复杂的示例，其中正则表达式可能会失败。这是正则表达式让我害怕的边缘情况之一。

它data.frame是用变量名和值构建的，这些变量名和值很容易混淆，这种情况经常发生。

这将连续变量Bat与 的所有系数相匹配factor Batter。

是的，这是一个愚蠢的例子，但很容易发生。

我R只使用了一点点，从不使用数据帧，这使得理解预测的正确使用变得困难。我将数据放在普通矩阵中，而不是数据框中，将它们称为a和b，它们分别是N x p和M x p矩阵。我可以运行回归lm(a[,1] ~ a[,-1])。我想使用生成的lm对象b[,1]从b[,-1]. 我天真的猜测是predict(lm(a[,1] ~ a[,-1]), b[,-1])行不通的。lm使用获取预测向量的正确语法是什么？

我必须将具有相同模型矩阵的线性模型拟合到多个响应中。这可以通过将响应指定为矩阵而不是向量在 R 中轻松完成。以这种方式计算非常快。

现在我还想为模型添加与响应准确性相对应的权重。因此，对于每个响应向量，我还需要不同的权重向量。但是，lm只允许将权重作为向量而不是矩阵输入。所以我不能批量输入权重，必须分别lm为每个响应运行。这样计算会变得慢得多。

有没有办法以批处理模式运行这些类型的模型，而无需lm重复调用？