从列表导出多个回归摘要
我有一个使用标准数据集mtcars通过此代码完成的多个回归列表。
models <- lapply(paste("mpg", names(mtcars)[-1], sep = "~"), formula)
res.models <- lapply(models, FUN = function(x) {summary(lm(formula = x, data = mtcars))})
names(res.models) <- paste("mpg", names(mtcars)[-1], sep = "~")
我现在在哪里有第一列“mpg”的多个回归列表。 从这里我试图导出某些汇总统计信息，如; 截距，系数和r.squared。
我曾尝试使用下面包含的循环。
for (i in 1:length(res.models))
{
res <- res.models[[i]]
res_bound <- NULL
intercept <- res$coefficients[1]
coef <- res$coefficients[2]
r <- res$r.squared
res_bound <- cbind(intercept, coef, r)
}
虽然这给我一个dataframe但它只包含上一个回归模型的结果，即1行3列dataframe 。 此外，我想让表中每个回归的“术语”区分我正在查看的模型（例如mpg vs cyl或mpg vs hp）。
我只是在我的循环中错过了一步？ 最终目标是write.csv最后的dataframe 。
如果你想在基地R做：
res <- lapply(seq_along(res.models), function(i) {
data.frame(model = names(res.models)[i],
intercept = res.models[[i]]$coefficients[1],
coef = res.models[[i]]$coefficients[2],
r = res.models[[i]]$r.squared,
stringsAsFactors = FALSE)
})
do.call(rbind, res)
输出：
model intercept coef r
1 mpg~cyl 37.884576 -2.87579014 0.7261800
2 mpg~disp 29.599855 -0.04121512 0.7183433
3 mpg~hp 30.098861 -0.06822828 0.6024373
4 mpg~drat -7.524618 7.67823260 0.4639952
5 mpg~wt 37.285126 -5.34447157 0.7528328
6 mpg~qsec -5.114038 1.41212484 0.1752963
7 mpg~vs 16.616667 7.94047619 0.4409477
8 mpg~am 17.147368 7.24493927 0.3597989
9 mpg~gear 5.623333 3.92333333 0.2306734
10 mpg~carb 25.872334 -2.05571870 0.3035184
seq_along(res.models)而不仅仅是res.models是，我们也可以获取列表中相关插槽的名称，并将其放入您正在创建的数据框中。
您可以使用purrr::map_df将broom::glance到每个模型，然后将结果收集到data.frame中：
purrr::map_df(res.models, broom::glance, .id = 'formula')
#> formula r.squared adj.r.squared sigma statistic p.value df
#> 1 mpg~cyl 0.7261800 0.7170527 3.205902 79.561028 6.112687e-10 2
#> 2 mpg~disp 0.7183433 0.7089548 3.251454 76.512660 9.380327e-10 2
#> 3 mpg~hp 0.6024373 0.5891853 3.862962 45.459803 1.787835e-07 2
#> 4 mpg~drat 0.4639952 0.4461283 4.485409 25.969645 1.776240e-05 2
#> 5 mpg~wt 0.7528328 0.7445939 3.045882 91.375325 1.293959e-10 2
#> 6 mpg~qsec 0.1752963 0.1478062 5.563738 6.376702 1.708199e-02 2
#> 7 mpg~vs 0.4409477 0.4223126 4.580827 23.662241 3.415937e-05 2
#> 8 mpg~am 0.3597989 0.3384589 4.902029 16.860279 2.850207e-04 2
#> 9 mpg~gear 0.2306734 0.2050292 5.373695 8.995144 5.400948e-03 2
#> 10 mpg~carb 0.3035184 0.2803024 5.112961 13.073646 1.084446e-03 2
您可以使用broom::tidy类似物的系数，或broom::augment残差。 请注意，扫帚功能旨在在模型本身上调用，而不是摘要，但是如果您喜欢，您可以将整个事情放在一个管道中：
library(purrr)
names(mtcars)[-1] %>%
paste('mpg ~', .) %>% # or start with `models` at this point
map(lm, data = mtcars) %>%
map_df(broom::glance, .id = 'formula')
#> formula r.squared adj.r.squared sigma statistic p.value df
#> 1 1 0.7261800 0.7170527 3.205902 79.561028 6.112687e-10 2
#> 2 2 0.7183433 0.7089548 3.251454 76.512660 9.380327e-10 2
#> 3 3 0.6024373 0.5891853 3.862962 45.459803 1.787835e-07 2
#> 4 4 0.4639952 0.4461283 4.485409 25.969645 1.776240e-05 2
#> 5 5 0.7528328 0.7445939 3.045882 91.375325 1.293959e-10 2
#> 6 6 0.1752963 0.1478062 5.563738 6.376702 1.708199e-02 2
#> 7 7 0.4409477 0.4223126 4.580827 23.662241 3.415937e-05 2
#> 8 8 0.3597989 0.3384589 4.902029 16.860279 2.850207e-04 2
#> 9 9 0.2306734 0.2050292 5.373695 8.995144 5.400948e-03 2
#> 10 10 0.3035184 0.2803024 5.112961 13.073646 1.084446e-03 2
#> logLik AIC BIC deviance df.residual
#> 1 -81.65321 169.3064 173.7036 308.3342 30
#> 2 -82.10469 170.2094 174.6066 317.1587 30
#> 3 -87.61931 181.2386 185.6358 447.6743 30
#> 4 -92.39996 190.7999 195.1971 603.5667 30
#> 5 -80.01471 166.0294 170.4266 278.3219 30
#> 6 -99.29406 204.5881 208.9853 928.6553 30
#> 7 -93.07356 192.1471 196.5443 629.5193 30
#> 8 -95.24219 196.4844 200.8816 720.8966 30
#> 9 -98.18192 202.3638 206.7611 866.2980 30
#> 10 -96.59033 199.1807 203.5779 784.2711 30
请注意，您会得到一些不能包含在摘要中的额外变量。
链接地址: http://www.djcxy.com/p/30951.html