问题标签 [mlm]

对于神经影像学应用程序，我试图通过 R 中的最小二乘法拟合许多线性模型（标准调用lm）。想象一下，我有一个设计矩阵 X。这个设计矩阵在所有模型中都是相同的。正在拟合的数据 (Y) 将发生变化，因此所有拟合参数（例如 beta、p 值、残差等）也会发生变化。

目前，我只是把它放在一个 for 循环中，所以它对lm. 似乎必须有更好的方法。

我相信计算成本最高的部分是矩阵求逆。看起来这可以通过 lm.fit 中的 Fortran 调用来处理。

如果我手动进行此回归，我会进行矩阵求逆，然后将其乘以各种数据集。事实上，当我有良好的设计矩阵（例如，所有连续赋值的协变量）时，我已经编写了一个函数来做到这一点。但是，我真的很喜欢所做的所有工作lm，比如适当地重新编码我的因素等，并且输出lm也非常好。

无论如何，我的蛋糕也可以吃吗？即，为了获得 lm 的友好性，但使用这种能力在计算上有效地拟合许多具有相同设计矩阵的模型？

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！

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？

对于 R 中的多个（约 100 万）响应变量，我必须used lm()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。我想获得每个模型中第一个系数的t 统计量，我可以使用该summary(allModels)函数来完成，但是在这个大数据上它非常慢并且也返回了很多不需要的信息。

是否有更快的t-statistic手动计算方法，可能比使用summary()函数更快

谢谢！

我想对同一个回归器运行 10 次回归，然后在不使用循环的情况下提取所有标准错误。

allModels存储为“传销”对象，这真的很难使用。如果我可以存储lm对象列表或具有感兴趣统计数据的矩阵，那就太好了。

同样，目标是不使用循环。这是一个等效的循环：

有什么方法可以处理包中的mlm对象吗？mtablememisc

在不使用多重响应矩阵的情况下，我想要的是：

产生

但：

生产

我不会重现我尝试提取lm可以在mtable. 可以说，它们都不起作用。

我正在运行具有 2 个结果变量和 5 个预测变量的多元回归。我想获得所有回归系数的置信区间。通常我使用该函数lm，但它似乎不适用于多元回归模型（对象mlm）。

这是一个可重现的示例。

有什么替代方法吗？（我可以只使用标准误差的值并乘以正确的临界 t 值，但我想知道是否有更简单的方法来做到这一点）。

我是 R 新手，我想用一个*apply函数改进以下脚本（我已经阅读了关于apply，但我无法使用它）。我想lm对多个自变量（数据框中的列）使用函数。我用了

Formula(i)定义为

谢谢你。

我有三个数据集：

响应 - 5（样本）x 10（因变量）的矩阵

预测变量 - 5（样本）x 2（自变量）的矩阵

test_set - 10（样本）x 10（响应中定义的因变量）的矩阵

我正在使用定义为响应集和预测集的组合的训练集做一个多元线性模型，我想使用这个模型对测试集进行预测：

然而，预测的结果真的很奇怪：

首先，矩阵尺寸为 5 x 10，即响应变量中的样本数乘以 DV 的数量。

我对 R 中的这种类型的分析不是很熟练，但我不应该得到一个 10 x 10 矩阵，以便我对我的 test_set 中的每一行都有预测吗？

对此问题的任何帮助将不胜感激，马丁

我一直在使用以下方法为整个模型生成残差图：

但是，我想为每个预测变量协变量制作单独的图。我可以一次做一个：

然而，这种方法的问题在于它需要对具有更多预测协变量的数据集进行泛化。有没有一种方法可以在迭代（f）和（r）的每一列时使用绘图？或者有没有一种方法plot()可以按颜色对每个协变量进行分组？