คุณดึงค่า p ออกมาได้อย่างไร (สำหรับความสำคัญของสัมประสิทธิ์ของตัวแปรอธิบายเดียวที่ไม่เป็นศูนย์) และค่า R-squared จากตัวแบบการถดถอยเชิงเส้นอย่างง่าย? ตัวอย่างเช่น...
x = cumsum(c(0, runif(100, -1, +1)))
y = cumsum(c(0, runif(100, -1, +1)))
fit = lm(y ~ x)
summary(fit)ฉันรู้ว่าsummary(fit) จะแสดงค่า p และค่า R-squared แต่ฉันต้องการที่จะสามารถติดเหล่านี้เป็นตัวแปรอื่น ๆ
คำตอบ:
R-squared : คุณสามารถคืนค่า R-Squared summary(fit)$r.squaredโดยตรงจากวัตถุสรุป ดูnames(summary(fit))รายการทั้งหมดที่คุณสามารถแยกได้โดยตรง
Model p-value:หากคุณต้องการได้รับ p-value ของโมเดลการถดถอยโดยรวม บล็อกนี้โพสต์จะสรุปฟังก์ชันเพื่อส่งคืนค่า p:
lmp <- function (modelobject) {
if (class(modelobject) != "lm") stop("Not an object of class 'lm' ")
f <- summary(modelobject)$fstatistic
p <- pf(f[1],f[2],f[3],lower.tail=F)
attributes(p) <- NULL
return(p)
}
> lmp(fit)
[1] 1.622665e-05ในกรณีของการถดถอยอย่างง่าย ๆ ด้วยตัวทำนายค่าหนึ่งค่า p-value ของโมเดลและค่า p สำหรับสัมประสิทธิ์จะเท่ากัน
ค่าสัมประสิทธิ์ p:หากคุณมีตัวทำนายมากกว่าหนึ่งตัวค่าข้างต้นจะคืนค่า p-value ของแบบจำลองและค่า p สำหรับค่าสัมประสิทธิ์สามารถดึงออกมาได้โดยใช้:
summary(fit)$coefficients[,4] อีกวิธีหนึ่งคุณสามารถคว้าค่า p-value ของค่าสัมประสิทธิ์จากanova(fit)วัตถุในลักษณะที่คล้ายกับวัตถุสรุปข้างต้น
inheritsมากกว่าclassโดยตรง และบางทีคุณอาจต้องการunname(pf(f[1],f[2],f[3],lower.tail=F))?
ขอให้สังเกตว่าsummary(fit)สร้างวัตถุที่มีข้อมูลทั้งหมดที่คุณต้องการ เวกเตอร์เบต้า, se, t และ p ถูกเก็บไว้ในนั้น รับค่า p โดยเลือกคอลัมน์ที่ 4 ของเมทริกซ์สัมประสิทธิ์ (เก็บไว้ในวัตถุสรุป):
summary(fit)$coefficients[,4]
summary(fit)$r.squaredลอง str(summary(fit))ดูข้อมูลทั้งหมดที่วัตถุนี้มี
แก้ไข: ฉันได้อ่านคำตอบของ Chase ที่ผิดซึ่งโดยทั่วไปจะบอกคุณถึงวิธีการได้รับสิ่งที่ฉันให้ที่นี่
summary(fit)$coefficients[1,4] สำหรับ ntercept
lm()แต่ใช้ไม่ได้กับgls()รุ่น
คุณสามารถมองเห็นโครงสร้างของวัตถุที่ส่งกลับโดยโดยการเรียกsummary() แต่ละชิ้นสามารถเข้าถึงได้โดยใช้str(summary(fit)) $P-ค่าสำหรับสถิติ F anovaจะมีได้ง่ายขึ้นจากวัตถุที่ส่งกลับโดย
โดยสรุปคุณสามารถทำสิ่งนี้:
rSquared <- summary(fit)$r.squared
pVal <- anova(fit)$'Pr(>F)'[1]แม้ว่าคำตอบทั้งสองข้างต้นจะดี แต่ขั้นตอนการแยกส่วนของวัตถุนั้นกว้างกว่า
ในหลาย ๆ กรณีฟังก์ชันส่งคืนรายการและแต่ละคอมโพเนนต์สามารถเข้าถึงได้โดยใช้str()ซึ่งจะพิมพ์ส่วนประกอบพร้อมกับชื่อ จากนั้นคุณสามารถเข้าถึงได้โดยใช้ตัวดำเนินการ $myobject$componentnameคือ
ในกรณีของวัตถุ LM มีจำนวนของวิธีการที่กำหนดไว้ล่วงหน้าหนึ่งสามารถใช้เช่นcoef(), resid(), summary()ฯลฯ แต่คุณจะไม่เสมอโชคดีอย่างนั้น
ฉันเจอคำถามนี้ขณะสำรวจวิธีแก้ไขปัญหาที่แนะนำ ฉันคิดว่าสำหรับการอ้างอิงในอนาคตมันอาจจะคุ้มค่าที่จะปรับปรุงรายการคำตอบที่มีอยู่ด้วยโซลูชั่นที่ใช้broomแพคเกจ
x = cumsum(c(0, runif(100, -1, +1)))
y = cumsum(c(0, runif(100, -1, +1)))
fit = lm(y ~ x)
require(broom)
glance(fit)>> glance(fit)
r.squared adj.r.squared sigma statistic p.value df logLik AIC BIC deviance df.residual
1 0.5442762 0.5396729 1.502943 118.2368 1.3719e-18 2 -183.4527 372.9055 380.7508 223.6251 99ฉันคิดว่าglanceฟังก์ชั่นนี้มีประโยชน์เพราะมันสรุปค่าคีย์อย่างเป็นระเบียบ ผลลัพธ์จะถูกจัดเก็บในรูปแบบdata.frameที่ง่ายต่อการจัดการ:
>> class(glance(fit))
[1] "data.frame"การขยายคำตอบของ @Vincent :
สำหรับlm()รุ่นที่สร้างขึ้น:
summary(fit)$coefficients[,4] ##P-values
summary(fit)$r.squared ##R squared valuesสำหรับgls()รุ่นที่สร้างขึ้น:
summary(fit)$tTable[,4] ##P-values
##R-squared values are not generated b/c gls uses max-likelihood not Sums of Squaresหากต้องการแยกค่า p แต่ละค่าด้วยตนเองคุณต้องเพิ่มหมายเลขแถวลงในรหัส:
ตัวอย่างเช่นในการเข้าถึงค่า p ของการสกัดกั้นในสรุปแบบจำลองทั้งสอง:
summary(fit)$coefficients[1,4]
summary(fit)$tTable[1,4] หมายเหตุคุณสามารถแทนที่หมายเลขคอลัมน์ด้วยชื่อคอลัมน์ในแต่ละอินสแตนซ์ด้านบน:
summary(fit)$coefficients[1,"Pr(>|t|)"] ##lm
summary(fit)$tTable[1,"p-value"] ##gls หากคุณยังไม่แน่ใจว่าจะเข้าถึงรูปแบบค่าได้อย่างไรตารางสรุปใช้str()เพื่อกำหนดโครงสร้างของตารางสรุป:
str(summary(fit))นี่เป็นวิธีที่ง่ายที่สุดในการดึงค่า p:
coef(summary(modelname))[, "Pr(>|t|)"]ฉันใช้ฟังก์ชัน lmp นี้หลายครั้ง
และเมื่อถึงจุดหนึ่งฉันตัดสินใจที่จะเพิ่มคุณสมบัติใหม่เพื่อปรับปรุงการวิเคราะห์ข้อมูล ฉันไม่เชี่ยวชาญใน R หรือสถิติ แต่คนมักจะดูข้อมูลต่าง ๆ ของการถดถอยเชิงเส้น:
ลองมาตัวอย่างกัน คุณมีที่นี่
นี่คือตัวอย่างที่ทำซ้ำได้ด้วยตัวแปรที่แตกต่างกัน:
Ex<-structure(list(X1 = c(-36.8598, -37.1726, -36.4343, -36.8644,
-37.0599, -34.8818, -31.9907, -37.8304, -34.3367, -31.2984, -33.5731
), X2 = c(64.26, 63.085, 66.36, 61.08, 61.57, 65.04, 72.69, 63.83,
67.555, 76.06, 68.61), Y1 = c(493.81544, 493.81544, 494.54173,
494.61364, 494.61381, 494.38717, 494.64122, 493.73265, 494.04246,
494.92989, 494.98384), Y2 = c(489.704166, 489.704166, 490.710962,
490.653212, 490.710612, 489.822928, 488.160904, 489.747776, 490.600579,
488.946738, 490.398958), Y3 = c(-19L, -19L, -19L, -23L, -30L,
-43L, -43L, -2L, -58L, -47L, -61L)), .Names = c("X1", "X2", "Y1",
"Y2", "Y3"), row.names = c(NA, 11L), class = "data.frame")
library(reshape2)
library(ggplot2)
Ex2<-melt(Ex,id=c("X1","X2"))
colnames(Ex2)[3:4]<-c("Y","Yvalue")
Ex3<-melt(Ex2,id=c("Y","Yvalue"))
colnames(Ex3)[3:4]<-c("X","Xvalue")
ggplot(Ex3,aes(Xvalue,Yvalue))+
geom_smooth(method="lm",alpha=0.2,size=1,color="grey")+
geom_point(size=2)+
facet_grid(Y~X,scales='free')
#Use the lmp function
lmp <- function (modelobject) {
if (class(modelobject) != "lm") stop("Not an object of class 'lm' ")
f <- summary(modelobject)$fstatistic
p <- pf(f[1],f[2],f[3],lower.tail=F)
attributes(p) <- NULL
return(p)
}
# create function to extract different informations from lm
lmtable<-function (var1,var2,data,signi=NULL){
#var1= y data : colnames of data as.character, so "Y1" or c("Y1","Y2") for example
#var2= x data : colnames of data as.character, so "X1" or c("X1","X2") for example
#data= data in dataframe, variables in columns
# if signi TRUE, round p-value with 2 digits and add *** if <0.001, ** if < 0.01, * if < 0.05.
if (class(data) != "data.frame") stop("Not an object of class 'data.frame' ")
Tabtemp<-data.frame(matrix(NA,ncol=6,nrow=length(var1)*length(var2)))
for (i in 1:length(var2))
{
Tabtemp[((length(var1)*i)-(length(var1)-1)):(length(var1)*i),1]<-var1
Tabtemp[((length(var1)*i)-(length(var1)-1)):(length(var1)*i),2]<-var2[i]
colnames(Tabtemp)<-c("Var.y","Var.x","p-value","a","b","r^2")
for (n in 1:length(var1))
{
Tabtemp[(((length(var1)*i)-(length(var1)-1))+n-1),3]<-lmp(lm(data[,var1[n]]~data[,var2[i]],data))
Tabtemp[(((length(var1)*i)-(length(var1)-1))+n-1),4]<-coef(lm(data[,var1[n]]~data[,var2[i]],data))[1]
Tabtemp[(((length(var1)*i)-(length(var1)-1))+n-1),5]<-coef(lm(data[,var1[n]]~data[,var2[i]],data))[2]
Tabtemp[(((length(var1)*i)-(length(var1)-1))+n-1),6]<-summary(lm(data[,var1[n]]~data[,var2[i]],data))$r.squared
}
}
signi2<-data.frame(matrix(NA,ncol=3,nrow=nrow(Tabtemp)))
signi2[,1]<-ifelse(Tabtemp[,3]<0.001,paste0("***"),ifelse(Tabtemp[,3]<0.01,paste0("**"),ifelse(Tabtemp[,3]<0.05,paste0("*"),paste0(""))))
signi2[,2]<-round(Tabtemp[,3],2)
signi2[,3]<-paste0(format(signi2[,2],digits=2),signi2[,1])
for (l in 1:nrow(Tabtemp))
{
Tabtemp$"p-value"[l]<-ifelse(is.null(signi),
Tabtemp$"p-value"[l],
ifelse(isTRUE(signi),
paste0(signi2[,3][l]),
Tabtemp$"p-value"[l]))
}
Tabtemp
}
# ------- EXAMPLES ------
lmtable("Y1","X1",Ex)
lmtable(c("Y1","Y2","Y3"),c("X1","X2"),Ex)
lmtable(c("Y1","Y2","Y3"),c("X1","X2"),Ex,signi=TRUE)แน่นอนว่ามีวิธีแก้ปัญหาที่เร็วกว่าฟังก์ชั่นนี้ แต่ใช้งานได้
สำหรับค่า p สุดท้ายที่แสดงในตอนท้ายsummary()ฟังก์ชันใช้pf()ในการคำนวณจากsummary(fit)$fstatisticค่า
fstat <- summary(fit)$fstatistic
pf(fstat[1], fstat[2], fstat[3], lower.tail=FALSE)x = cumsum(c(0, runif(100, -1, +1)))
y = cumsum(c(0, runif(100, -1, +1)))
fit = lm(y ~ x)
> names(summary(fit))
[1] "call" "terms"
[3] "residuals" "coefficients"
[5] "aliased" "sigma"
[7] "df" "r.squared"
[9] "adj.r.squared" "fstatistic"
[11] "cov.unscaled"
summary(fit)$r.squaredอีกทางเลือกหนึ่งคือการใช้ฟังก์ชั่น cor.test แทน lm:
> x <- c(44.4, 45.9, 41.9, 53.3, 44.7, 44.1, 50.7, 45.2, 60.1)
> y <- c( 2.6, 3.1, 2.5, 5.0, 3.6, 4.0, 5.2, 2.8, 3.8)
> mycor = cor.test(x,y)
> mylm = lm(x~y)
# r and rsquared:
> cor.test(x,y)$estimate ** 2
cor
0.3262484
> summary(lm(x~y))$r.squared
[1] 0.3262484
# P.value
> lmp(lm(x~y)) # Using the lmp function defined in Chase's answer
[1] 0.1081731
> cor.test(x,y)$p.value
[1] 0.1081731ใช้:
(summary(fit))$coefficients[***num***,4]โดยที่numเป็นตัวเลขซึ่งหมายถึงแถวของเมทริกซ์สัมประสิทธิ์ มันจะขึ้นอยู่กับจำนวนฟีเจอร์ที่คุณมีในโมเดลของคุณและฟีเจอร์ที่คุณต้องการดึงค่า p ออกมา ตัวอย่างเช่นหากคุณมีตัวแปรเพียงตัวเดียวจะมีค่า p หนึ่งค่าสำหรับการสกัดกั้นซึ่งจะเป็น [1,4] และอีกตัวแปรหนึ่งสำหรับตัวแปรจริงของคุณซึ่งจะเป็น [2,4] ดังนั้นคุณnumจะเป็น 2
r <- summary(lm(rnorm(10)~runif(10)))ไม่แสดงอะไร)