r - ggtitle - labs size ggplot

Fórmula con número dinámico de variables

Question

Supongamos que hay algunos data.frame foo_data_frame y uno quiere encontrar la regresión de la columna de destino Y por parte de otras columnas. Para ese propósito generalmente se usan algunas fórmulas y modelos. Por ejemplo:

linear_model <- lm(Y ~ FACTOR_NAME_1 + FACTOR_NAME_2, foo_data_frame)

Eso funciona bien si la fórmula está codificada estáticamente. Si se desea rootear varios modelos con la cantidad constante de variables dependientes (digamos, 2), se puede tratar así:

for (i in seq_len(factor_number)) {
  for (j in seq(i + 1, factor_number)) {
    linear_model <- lm(Y ~ F1 + F2, list(Y=foo_data_frame$Y,
                                         F1=foo_data_frame[[i]],
                                         F2=foo_data_frame[[j]]))
    # linear_model further analyzing...
  }
}

Mi pregunta es cómo hacer el mismo efecto cuando la cantidad de variables cambia dinámicamente durante la ejecución del programa.

for (number_of_factors in seq_len(5)) {
   # Then root over subsets with #number_of_factors cardinality.
   for (factors_subset in all_subsets_with_fixed_cardinality) {
     # Here I want to fit model with factors from factors_subset.
     linear_model <- lm(Does R provide smth to write here?)
   }
}

Answer 1

Generalmente resuelvo esto cambiando el nombre de mi columna de respuesta. Es más fácil de hacer dinámicamente y posiblemente más limpio.

model_response <- "response_field_name"
setnames(model_data_train, c(model_response), "response") #if using data.table
model_gbm <- gbm(response ~ ., data=model_data_train, ...)

Answer 2

Otra opción podría ser usar una matriz en la fórmula:

Y = rnorm(10)
foo = matrix(rnorm(100),10,10)
factors=c(1,5,8)

lm(Y ~ foo[,factors])

Answer 3

Realmente no necesitas una fórmula. Esto funciona:

lm(data_frame[c("Y", "factor1", "factor2")])

como lo hace esto:

v <- c("Y", "factor1", "factor2")
do.call("lm", list(bquote(data_frame[.(v)])))

Answer 4

Una función frecuentemente olvidada es reformulate . De ?reformulate :

reformulate crea una fórmula a partir de un vector de caracteres.

Un simple ejemplo:

listoffactors <- c("factor1","factor2")
reformulate(termlabels = listoffactors, response = ''y'')

rendirá esta fórmula:

y ~ factor1 + factor2

Aunque no está documentado explícitamente, también puede agregar términos de interacción:

listofintfactors <- c("(factor3","factor4)^2")
reformulate(termlabels = c(listoffactors, listofintfactors), 
    response = ''y'')

rendirá:

y ~ factor1 + factor2 + (factor3 + factor4)^2

Answer 5

Ver ?as.formula , por ejemplo:

factors <- c("factor1", "factor2")
as.formula(paste("y~", paste(factors, collapse="+")))
# y ~ factor1 + factor2

donde factors es un vector de caracteres que contiene los nombres de los factores que desea usar en el modelo. Esto se puede pegar en un modelo de lm , por ejemplo:

set.seed(0)
y <- rnorm(100)
factor1 <- rep(1:2, each=50)
factor2 <- rep(3:4, 50)
lm(as.formula(paste("y~", paste(factors, collapse="+"))))

# Call:
# lm(formula = as.formula(paste("y~", paste(factors, collapse = "+"))))

# Coefficients:
# (Intercept)      factor1      factor2  
#    0.542471    -0.002525    -0.147433