首页 文章

将glm与data.table以及预测变量和响应的参数化定义结合使用

提问于
浏览 次
1

我想在数据集中运行连续回归的VIF测试，每次使用一个变量作为响应，剩余的作为预测变量 .

为此，我将把我的代码放在一个for循环中，该循环将为将用作响应的列的索引提供连续值，并将剩余的值保留为预测变量 .

我将使用data.table包，我将使用基础R中的mtcars数据集来创建可重现的示例：

data(mtcars)
setDT(mtcars)
# Let i-- the index of the response -- be 1 for demonstration purposes
i <- 1
variables <- names(mtcars)
response <- names(mtcars)[i]
predictors <- setdiff(variables, response)
model <- glm(mtcars[, get(response)] ~ mtcars[, predictors , with = FALSE], family = "gaussian")

但是，这会导致错误消息：

model.frame.default中的错误（公式= mtcars [，get（响应）] ~mtcars [，：变量'mtcars [，predictors，with = FALSE]'的无效类型（列表）

你能解释一下这个错误并帮我纠正代码吗？

您的建议将不胜感激 .

================================================== ===========================

编辑：

在重现代码建议我收到一条错误消息：

> library(car)
> library(data.table)
> 
> data(mtcars)
> setDT(mtcars)
> model <- glm(formula = mpg ~ .,data=mtcars ,  family = "gaussian")
> vif(model)
Error in (function (classes, fdef, mtable)  : 
  unable to find an inherited method for function ‘vif’ for signature ‘"glm"’

更新：

当我明确指定包时，代码运行没有问题，即：

car::vif(model)

编辑2

我必须按如下方式修改Fredrik的代码，以获得所有变量的系数：

rhs <- paste(predictors,  collapse ="+")
full_formula <- paste(response, "~", rhs)
full_formula <- as.formula(full_formula)
r data.table glm

2 回答

  • 0

    另一个解决方案是基于 glm.fit 的使用：

    model <- glm.fit(x=mtcars[, ..predictors], y=mtcars[[response]], family = gaussian())
    回复于
  • 1

    如果你想计算预测变量的VIF，我建议你查看包 car 中的 vif 函数 . 它将为您进行计算并推广具有多个自由度的预测变量，例如因子 .

    要获得你想要的所有vif

    library(car)
library(data.table)

data(mtcars)
setDT(mtcars)
model <- glm(formula = mpg ~ .,data=mtcars ,  family = "gaussian")
vif(model)

    至于你的错误，我看到它正在混合 glm ，它采用公式和数据集， glm.fit 采用设计矩阵和预测，按此顺序 . 您的通话中有两个功能的概念 .

    为了适合你的模型，我建议使用 glm ，因为这将为你提供一个类glm的对象，具有额外的功能，例如能够做 plot(model) 而不是 glm.fit ，你只能获得与模型相关的值列表 .

    在这种情况下，你只需要创建公式，看起来像：

    library(data.table)

data(mtcars)
setDT(mtcars)
# Let i-- the index of the response -- be 1 for demonstration purposes
i <- 1
variables <- names(mtcars)
response <- names(mtcars)[i]
predictors <- setdiff(variables, response)


rhs <- paste(predictors, sep = " + ")
full_formula <- paste(response, "~", rhs)
model <- glm(formula = full_formula ,data=mtcars, family = "gaussian")

    与之相反：

    model <- glm.fit(y=mtcars[, get(response)] ,
                  x=mtcars[, predictors , with = FALSE],
                  family=gaussian())
    回复于

相关问题