tipos - ¿Cómo escribir sucintamente una fórmula con muchas variables de un marco de datos?

variable dependiente

Question

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 marco de datos sea una covariable). Pregunto porque en realidad tengo 50 variables en mi marco de datos, así que quiero evitar escribir x1 + x2 + x3 + etc

Answer 1

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  

`` `

Answer 2

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.

Answer 3

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

Answer 4

Sí, por supuesto, simplemente agregue la respuesta y como primera columna en el marco de datos 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 = .

Answer 5

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

Answer 6

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 .