Получить стандартные ошибки коэффициентов регрессии для объекта "mlm", возвращаемого функцией "lm()"

Я хотел бы запустить 10 регрессий против одного и того же регрессора, а затем вытащить все стандартные ошибки без использования цикла.

depVars <- as.matrix(data[,1:10]) # multiple dependent variables
regressor <- as.matrix([,11]) # independent variable
allModels <- lm(depVars ~ regressor) # multiple, single variable regressions

summary(allModels)[1] # Can "view" the standard error for 1st regression, but can't extract...

allModels хранится как объект "mlm", с которым действительно сложно работать. Было бы здорово, если бы я мог хранить список lm объекты или матрица со статистикой интереса.

Опять же, цель состоит в том, чтобы НЕ использовать цикл. Вот эквивалент цикла:

regressor <- as.matrix([,11]) # independent variable
for(i in 1:10) { 
  tempObject <- lm(data[,i] ~ regressor) # single regressions
  table1Data[i,1] <- summary(tempObject)$coefficients[2,2] # assign std error
  rm(tempObject)
  }
Источник

3 ответа

Решение

Если вы поместите свои данные в длинный формат, очень легко получить кучу результатов регрессии, используя lmList из пакетов nlme или lme4. Выходные данные представляют собой список результатов регрессии, и сводка может дать вам матрицу коэффициентов, как вы и хотели.

library(lme4)

m <- lmList( y ~ x | group, data = dat)
summary(m)$coefficients

Эти коэффициенты находятся в простом трехмерном массиве, поэтому стандартные ошибки [,2,2],

Источник

Дан объект модели "mlm" modelВы можете использовать нижеприведенную мной функцию для получения стандартных ошибок коэффициентов. Это очень эффективно: нет петли и нет доступа кsummary.mlm(),

std_mlm <- function (model) {
  Rinv <- with(model$qr, backsolve(qr, diag(rank)))
  ## unscaled standard error
  std_unscaled <- sqrt(rowSums(Rinv ^ 2)[order(model$qr$pivot)])
  ## residual standard error
  sigma <- sqrt(colSums(model$residuals ^ 2) / model$df.residual)
  ## return final standard error
  ## each column corresponds to a model
  "dimnames<-"(outer(std_unscaled, sigma), list = dimnames(model$coefficients))
  }

Простой, воспроизводимый пример

set.seed(0)
Y <- matrix(rnorm(50 * 5), 50)    ## assume there are 5 responses
X <- rnorm(50)    ## covariate

fit <- lm(Y ~ X)

Мы все знаем, что просто извлечь оценочные коэффициенты с помощью:

fit$coefficients    ## or `coef(fit)`
#                   [,1]       [,2]        [,3]        [,4]        [,5]
#(Intercept) -0.21013925  0.1162145  0.04470235  0.08785647  0.02146662
#X            0.04110489 -0.1954611 -0.07979964 -0.02325163 -0.17854525

Теперь давайте применим наш std_mlm:

std_mlm(fit)
#                 [,1]      [,2]      [,3]      [,4]      [,5]
#(Intercept) 0.1297150 0.1400600 0.1558927 0.1456127 0.1186233
#X           0.1259283 0.1359712 0.1513418 0.1413618 0.1151603

Мы можем, конечно, позвонить summary.mlm просто чтобы проверить, верен ли наш результат:

coef(summary(fit))
#Response Y1 :
#               Estimate Std. Error    t value  Pr(>|t|)
#(Intercept) -0.21013925  0.1297150 -1.6200072 0.1117830
#X            0.04110489  0.1259283  0.3264151 0.7455293
#
#Response Y2 :
#              Estimate Std. Error    t value  Pr(>|t|)
#(Intercept)  0.1162145  0.1400600  0.8297485 0.4107887
#X           -0.1954611  0.1359712 -1.4375183 0.1570583
#
#Response Y3 :
#               Estimate Std. Error    t value  Pr(>|t|)
#(Intercept)  0.04470235  0.1558927  0.2867508 0.7755373
#X           -0.07979964  0.1513418 -0.5272811 0.6004272
#
#Response Y4 :
#               Estimate Std. Error    t value  Pr(>|t|)
#(Intercept)  0.08785647  0.1456127  0.6033574 0.5491116
#X           -0.02325163  0.1413618 -0.1644831 0.8700415
#
#Response Y5 :
#               Estimate Std. Error    t value  Pr(>|t|)
#(Intercept)  0.02146662  0.1186233  0.1809646 0.8571573
#X           -0.17854525  0.1151603 -1.5504057 0.1276132

Да все правильно!

Источник

Вот вариант:

  1. поместите ваши данные в длинный формат, используя регрессор в качестве ключа идентификатора.
  2. сделать регрессию против значения по группе переменных.

Например, используя набор данных mtcars:

library(reshape2)
dat.m <- melt(mtcars,id.vars='mpg')  ## mpg is my regressor
library(plyr)
ddply(dat.m,.(variable),function(x)coef(lm(variable~value,data=x)))
  variable (Intercept)         value
1       cyl           1  8.336774e-18
2      disp           1  6.529223e-19
3        hp           1  1.106781e-18
4      drat           1 -1.505237e-16
5        wt           1  8.846955e-17
6      qsec           1  6.167713e-17
7        vs           1  2.442366e-16
8        am           1 -3.381738e-16
9      gear           1 -8.141220e-17
10     carb           1 -6.455094e-17
Источник
Другие вопросы по тегам