R中的线性回归和分组依据


92

我想使用该lm()函数在R中进行线性回归。我的数据是一个年度时间序列,其中一个字段表示年份(22年),另一个字段表示州(50个州)。我想对每个状态进行回归分析,以便最后获得lm响应向量。我可以想象对每个状态进行for循环,然后在循环内进行回归并将每个回归的结果添加到向量中。但是,这似乎不太像R。在SAS中,我将执行“ by”语句,而在SQL中,我将执行“ group by”。R做这件事的方法是什么?


1
只是想告诉人们,尽管R中有很多group-by函数,但并不是所有的函数都适合进行group-by回归。例如,aggregate不是正确的人也不是tapply
李哲源

Answers:


46

这是使用lme4软件包的一种方法。

 library(lme4)
 d <- data.frame(state=rep(c('NY', 'CA'), c(10, 10)),
                 year=rep(1:10, 2),
                 response=c(rnorm(10), rnorm(10)))

 xyplot(response ~ year, groups=state, data=d, type='l')

 fits <- lmList(response ~ year | state, data=d)
 fits
#------------
Call: lmList(formula = response ~ year | state, data = d)
Coefficients:
   (Intercept)        year
CA -1.34420990  0.17139963
NY  0.00196176 -0.01852429

Degrees of freedom: 20 total; 16 residual
Residual standard error: 0.8201316

2
有没有办法列出这两个模型的R2?例如,在一年之后添加R2列。还为每个系数添加p值吗?
ToToRo 2014年

3
@ToToRo在这里您可以找到一个可行的解决方案(迟到总比没有好):Your.df [,summary(lm(Y〜X))$ r.squared,by = Your.factor]其中:Y,X和Your.factor是你的变量。请记住,Your.df必须是data.table类
FraNut 2015年

59

这是使用plyr软件包的一种方法:

d <- data.frame(
  state = rep(c('NY', 'CA'), 10),
  year = rep(1:10, 2),
  response= rnorm(20)
)

library(plyr)
# Break up d by state, then fit the specified model to each piece and
# return a list
models <- dlply(d, "state", function(df) 
  lm(response ~ year, data = df))

# Apply coef to each model and return a data frame
ldply(models, coef)

# Print the summary of each model
l_ply(models, summary, .print = TRUE)

假设您添加了一个额外的自变量,该变量并非在所有州(例如miles.of.ocean.shoreline)都可用,在数据中由NA表示。lm调用不会失败吗?怎么处理?
MikeTP

在该函数内,您需要测试该情况并使用其他公式
hadley 2013年

是否可以在摘要中的每个调用中添加子组的名称(最后一步)?
甜菜根

如果运行layout(matrix(c(1,2,3,4),2,2)) # optional 4 graphs/page ,则l_ply(models, plot)也可以获得每个残差图。是否可以用组标记每个图(例如,在这种情况下为“状态”)?
布赖恩D

48

自2009年以来,dplyr该版本已发布,实际上提供了一种非常好的方法来进行这种分组,与SAS的工作极为相似。

library(dplyr)

d <- data.frame(state=rep(c('NY', 'CA'), c(10, 10)),
                year=rep(1:10, 2),
                response=c(rnorm(10), rnorm(10)))
fitted_models = d %>% group_by(state) %>% do(model = lm(response ~ year, data = .))
# Source: local data frame [2 x 2]
# Groups: <by row>
#
#    state   model
#   (fctr)   (chr)
# 1     CA <S3:lm>
# 2     NY <S3:lm>
fitted_models$model
# [[1]]
# 
# Call:
# lm(formula = response ~ year, data = .)
# 
# Coefficients:
# (Intercept)         year  
#    -0.06354      0.02677  
#
#
# [[2]]
# 
# Call:
# lm(formula = response ~ year, data = .)
# 
# Coefficients:
# (Intercept)         year  
#    -0.35136      0.09385  

要检索系数和Rsquared / p.value,可以使用该broom包。该软件包提供:

三个S3泛型:简洁,概述了模型的统计发现,例如回归系数;扩充,它将列添加到原始数据中,例如预测,残差和聚类分配;一目了然,它提供了模型级统计信息的单行摘要。

library(broom)
fitted_models %>% tidy(model)
# Source: local data frame [4 x 6]
# Groups: state [2]
# 
#    state        term    estimate  std.error  statistic   p.value
#   (fctr)       (chr)       (dbl)      (dbl)      (dbl)     (dbl)
# 1     CA (Intercept) -0.06354035 0.83863054 -0.0757668 0.9414651
# 2     CA        year  0.02677048 0.13515755  0.1980687 0.8479318
# 3     NY (Intercept) -0.35135766 0.60100314 -0.5846187 0.5749166
# 4     NY        year  0.09385309 0.09686043  0.9689519 0.3609470
fitted_models %>% glance(model)
# Source: local data frame [2 x 12]
# Groups: state [2]
# 
#    state   r.squared adj.r.squared     sigma statistic   p.value    df
#   (fctr)       (dbl)         (dbl)     (dbl)     (dbl)     (dbl) (int)
# 1     CA 0.004879969  -0.119510035 1.2276294 0.0392312 0.8479318     2
# 2     NY 0.105032068  -0.006838924 0.8797785 0.9388678 0.3609470     2
# Variables not shown: logLik (dbl), AIC (dbl), BIC (dbl), deviance (dbl),
#   df.residual (int)
fitted_models %>% augment(model)
# Source: local data frame [20 x 10]
# Groups: state [2]
# 
#     state   response  year      .fitted   .se.fit     .resid      .hat
#    (fctr)      (dbl) (int)        (dbl)     (dbl)      (dbl)     (dbl)
# 1      CA  0.4547765     1 -0.036769875 0.7215439  0.4915464 0.3454545
# 2      CA  0.1217003     2 -0.009999399 0.6119518  0.1316997 0.2484848
# 3      CA -0.6153836     3  0.016771076 0.5146646 -0.6321546 0.1757576
# 4      CA -0.9978060     4  0.043541551 0.4379605 -1.0413476 0.1272727
# 5      CA  2.1385614     5  0.070312027 0.3940486  2.0682494 0.1030303
# 6      CA -0.3924598     6  0.097082502 0.3940486 -0.4895423 0.1030303
# 7      CA -0.5918738     7  0.123852977 0.4379605 -0.7157268 0.1272727
# 8      CA  0.4671346     8  0.150623453 0.5146646  0.3165112 0.1757576
# 9      CA -1.4958726     9  0.177393928 0.6119518 -1.6732666 0.2484848
# 10     CA  1.7481956    10  0.204164404 0.7215439  1.5440312 0.3454545
# 11     NY -0.6285230     1 -0.257504572 0.5170932 -0.3710185 0.3454545
# 12     NY  1.0566099     2 -0.163651479 0.4385542  1.2202614 0.2484848
# 13     NY -0.5274693     3 -0.069798386 0.3688335 -0.4576709 0.1757576
# 14     NY  0.6097983     4  0.024054706 0.3138637  0.5857436 0.1272727
# 15     NY -1.5511940     5  0.117907799 0.2823942 -1.6691018 0.1030303
# 16     NY  0.7440243     6  0.211760892 0.2823942  0.5322634 0.1030303
# 17     NY  0.1054719     7  0.305613984 0.3138637 -0.2001421 0.1272727
# 18     NY  0.7513057     8  0.399467077 0.3688335  0.3518387 0.1757576
# 19     NY -0.1271655     9  0.493320170 0.4385542 -0.6204857 0.2484848
# 20     NY  1.2154852    10  0.587173262 0.5170932  0.6283119 0.3454545
# Variables not shown: .sigma (dbl), .cooksd (dbl), .std.resid (dbl)

2
我必须做rowwise(fitted_models) %>% tidy(model)才能使扫帚包正常工作,但是否则,很好的答案。
pedram '16

3
效果很好...可以在不离开管道的情况下完成所有操作:d %>% group_by(state) %>% do(model = lm(response ~ year, data = .)) %>% rowwise() %>% tidy(model)
holastello

23

我认为混合线性模型是处理此类数据的一种较好方法。下面的代码以固定的效果给出了总体趋势。随机效应表明每个州的趋势与全局趋势有何不同。相关结构考虑了时间自相关。看看Pinheiro和Bates(S和S-Plus中的混合效果模型)。

library(nlme)
lme(response ~ year, random = ~year|state, correlation = corAR1(~year))

3
这是一个非常好的一般统计理论答案,这使我思考了一些我没有考虑的事情。引起我提出问题的应用程序不适用于此解决方案,但是很高兴您提出来。谢谢。
JD 2009年

1
从混合模型开始并不是一个好主意-您怎么知道任何假设都是必要的?
hadley

7
应该通过模型验证(和数据知识)来检查假设。顺便说一句,您也不能保证对单个lm的假设。您将必须分别验证所有模型。
Thierry

14

一个不错的解决方案data.table是@Zach 在这里发布 CrossValidated中。我只是补充说,还可以迭代获得回归系数r ^ 2:

## make fake data
    library(data.table)
    set.seed(1)
    dat <- data.table(x=runif(100), y=runif(100), grp=rep(1:2,50))

##calculate the regression coefficient r^2
    dat[,summary(lm(y~x))$r.squared,by=grp]
       grp         V1
    1:   1 0.01465726
    2:   2 0.02256595

以及来自的所有其他输出summary(lm)

dat[,list(r2=summary(lm(y~x))$r.squared , f=summary(lm(y~x))$fstatistic[1] ),by=grp]
   grp         r2        f
1:   1 0.01465726 0.714014
2:   2 0.02256595 1.108173

8

我认为值得purrr::map为这个问题添加方法。

library(tidyverse)

d <- data.frame(state=rep(c('NY', 'CA'), c(10, 10)),
                                 year=rep(1:10, 2),
                                 response=c(rnorm(10), rnorm(10)))

d %>% 
  group_by(state) %>% 
  nest() %>% 
  mutate(model = map(data, ~lm(response ~ year, data = .)))

有关将broom软件包与这些结果一起使用的更多想法,请参见@Paul Hiemstra的答案。


如果您想要一列拟合值或残差的列,可以做一点扩展:将lm()调用包装在resid()调用中,然后将最后一行中的所有内容通过管道传递到unnest()调用中。当然,您可能希望将变量名称从“模型”更改为更相关的名称。
兰迪

8
## make fake data
 ngroups <- 2
 group <- 1:ngroups
 nobs <- 100
 dta <- data.frame(group=rep(group,each=nobs),y=rnorm(nobs*ngroups),x=runif(nobs*ngroups))
 head(dta)
#--------------------
  group          y         x
1     1  0.6482007 0.5429575
2     1 -0.4637118 0.7052843
3     1 -0.5129840 0.7312955
4     1 -0.6612649 0.9028034
5     1 -0.5197448 0.1661308
6     1  0.4240346 0.8944253
#------------ 
## function to extract the results of one model
 foo <- function(z) {
   ## coef and se in a data frame
   mr <- data.frame(coef(summary(lm(y~x,data=z))))
   ## put row names (predictors/indep variables)
   mr$predictor <- rownames(mr)
   mr
 }
 ## see that it works
 foo(subset(dta,group==1))
#=========
              Estimate Std..Error   t.value  Pr...t..   predictor
(Intercept)  0.2176477  0.1919140  1.134090 0.2595235 (Intercept)
x           -0.3669890  0.3321875 -1.104765 0.2719666           x
#----------
## one option: use command by
 res <- by(dta,dta$group,foo)
 res
#=========
dta$group: 1
              Estimate Std..Error   t.value  Pr...t..   predictor
(Intercept)  0.2176477  0.1919140  1.134090 0.2595235 (Intercept)
x           -0.3669890  0.3321875 -1.104765 0.2719666           x
------------------------------------------------------------ 
dta$group: 2
               Estimate Std..Error    t.value  Pr...t..   predictor
(Intercept) -0.04039422  0.1682335 -0.2401081 0.8107480 (Intercept)
x            0.06286456  0.3020321  0.2081387 0.8355526           x

## using package plyr is better
 library(plyr)
 res <- ddply(dta,"group",foo)
 res
#----------
  group    Estimate Std..Error    t.value  Pr...t..   predictor
1     1  0.21764767  0.1919140  1.1340897 0.2595235 (Intercept)
2     1 -0.36698898  0.3321875 -1.1047647 0.2719666           x
3     2 -0.04039422  0.1682335 -0.2401081 0.8107480 (Intercept)
4     2  0.06286456  0.3020321  0.2081387 0.8355526           x

6

我现在的回答来得有点晚,但是我正在寻找类似的功能。似乎R中的内置函数“ by”也可以很容易地进行分组:

?by包含以下示例,该示例适合每个组并使用sapply提取系数:

require(stats)
## now suppose we want to extract the coefficients by group 
tmp <- with(warpbreaks,
            by(warpbreaks, tension,
               function(x) lm(breaks ~ wool, data = x)))
sapply(tmp, coef)

3

lm()上面的函数是一个简单的示例。顺便说一句,我想您的数据库具有以下形式的列:

年状态var1 var2 y ...

在我看来,您可以使用以下代码:

require(base) 
library(base) 
attach(data) # data = your data base
             #state is your label for the states column
modell<-by(data, data$state, function(data) lm(y~I(1/var1)+I(1/var2)))
summary(modell)

0

问题似乎与如何在循环内修改的公式调用回归函数有关。

这是(使用Diamonds数据集)的方法:

attach(ggplot2::diamonds)
strCols = names(ggplot2::diamonds)

formula <- list(); model <- list()
for (i in 1:1) {
  formula[[i]] = paste0(strCols[7], " ~ ", strCols[7+i])
  model[[i]] = glm(formula[[i]]) 

  #then you can plot the results or anything else ...
  png(filename = sprintf("diamonds_price=glm(%s).png", strCols[7+i]))
  par(mfrow = c(2, 2))      
  plot(model[[i]])
  dev.off()
  }
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.