P-değerini (tek açıklayıcı değişkenin katsayısının sıfırdan farklı olması açısından) ve R-kare değerini basit bir doğrusal regresyon modelinden nasıl çıkarırsınız? Örneğin...

x = cumsum(c(0, runif(100, -1, +1)))
y = cumsum(c(0, runif(100, -1, +1)))
fit = lm(y ~ x)
summary(fit)

P-değerini ve R-kare değerini summary(fit) görüntülediğini biliyorum , ancak bunları diğer değişkenlere yapıştırabilmek istiyorum.

r-kare : r-kare değerini doğrudan özet nesnesinden döndürebilirsiniz summary(fit)$r.squared. names(summary(fit))Doğrudan çıkarabileceğiniz tüm öğelerin listesi için bkz .

Model p-değeri: Genel regresyon modelinin p-değerini elde etmek istiyorsanız, bu blog yazısı p-değerini döndürmek için bir işlevi özetlemektedir:

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-05

Bir öngörücüyle basit bir regresyon durumunda, katsayı için model p değeri ve p değeri aynı olacaktır.

Katsayı p değerleri: Birden fazla öngörücünüz varsa, yukarıdaki model p değerini döndürür ve katsayılar için p değeri şu şekilde çıkarılabilir:

summary(fit)$coefficients[,4]  

Alternatif olarak, katsayıların p-değerini anova(fit)yukarıdaki özet nesneye benzer şekilde yakalayabilirsiniz .

Uyarı summary(fit)size gerekli olan tüm bilgileri içeren bir nesne oluşturur. Beta, se, t ve p vektörleri içinde saklanır. Katsayılar matrisinin (özet nesnede saklanan) 4. sütununu seçerek p-değerlerini alın:

summary(fit)$coefficients[,4] 
summary(fit)$r.squared

Deneyin str(summary(fit))Bu nesnenin içerdiği tüm bilgileri görmeye .

Düzenleme: Temelde burada verdiğim şeye nasıl ulaşacağınızı söyleyen Chase'in cevabını yanlış okudum.

Sen tarafından döndürülen nesnenin yapısını görebilirsiniz summary()arayarak str(summary(fit)). Her parçaya erişilebilir $. F istatistiği için p değeri, döndürülen nesneden daha kolaydır anova.

Kısacası, bunu yapabilirsiniz:

rSquared <- summary(fit)$r.squared
pVal <- anova(fit)$'Pr(>F)'[1]

Yukarıdaki cevapların her ikisi de iyi olmakla birlikte, nesnelerin parçalarını çıkarma prosedürü daha geneldir.

Çoğu durumda, işlevler listeleri döndürür str()ve bileşenleri adlarıyla birlikte yazdıracak şekilde tek tek bileşenlere erişilebilir . Daha sonra bunlara $ operatörünü, yani myobject$componentname.

Lm nesnelerin durumda, bir gibi kullanabileceğiniz önceden tanımlanmış bir dizi yöntem vardır coef(), resid(), summary()vb, ama her zaman bu kadar şanslı olmayacak.

Benzer bir sorun için önerilen çözümleri araştırırken bu soruya rastladım; İleride başvurmak için, mevcut cevap listesini bir çözümle güncellemenin faydalı olabileceğini varsayıyorum.broom paketi .

Basit kod

x = cumsum(c(0, runif(100, -1, +1)))
y = cumsum(c(0, runif(100, -1, +1)))
fit = lm(y ~ x)
require(broom)
glance(fit)

Sonuçlar

>> 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          99

Yan notlar

glanceFonksiyonun anahtar değerleri düzgün bir şekilde özetlediği için yararlı buluyorum . Sonuçlar, data.framedaha fazla manipülasyonu kolaylaştıran bir şekilde saklanır :

>> class(glance(fit))
[1] "data.frame"

@Vincent'in cevabının uzatılması :

İçin lm()oluşturulan modeller:

summary(fit)$coefficients[,4]   ##P-values 
summary(fit)$r.squared          ##R squared values

İçin gls()oluşturulan modeller:

summary(fit)$tTable[,4]         ##P-values
##R-squared values are not generated b/c gls uses max-likelihood not Sums of Squares

Tek bir p değerinin kendisini izole etmek için koda bir satır numarası eklersiniz:

Örneğin, her iki model özetinde kesişimin p değerine erişmek için:

summary(fit)$coefficients[1,4]
summary(fit)$tTable[1,4]  

• Not: Yukarıdaki örneklerin her birinde sütun numarasını sütun adıyla değiştirebilirsiniz:

  summary(fit)$coefficients[1,"Pr(>|t|)"]  ##lm 
  summary(fit)$tTable[1,"p-value"]         ##gls 

Özet tablosunun str()yapısını bulmak için özet tabloyu kullanarak bir değer formuna nasıl erişeceğinizden hala emin değilseniz :

str(summary(fit))

Bu p değerlerini almanın en kolay yoludur:

coef(summary(modelname))[, "Pr(>|t|)"]

Bu lmp işlevini birçok kez kullandım.

Bir noktada veri analizini geliştirmek için yeni özellikler eklemeye karar verdim. R veya istatistik konusunda uzman değilim ama insanlar genellikle doğrusal bir regresyonun farklı bilgilerine bakıyorlar:

• p-değeri
• a ve B
• r²
• ve tabii ki nokta dağılımının yönü

Bir örnek verelim. Buradasın

Burada farklı değişkenlere sahip tekrarlanabilir bir örnek:

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)

Bu fonksiyondan kesinlikle daha hızlı bir çözüm var ama işe yarıyor.

Sonunda görüntülenen son p değeri için summary(), işlev değerlerden pf()hesaplamak için kullanır summary(fit)$fstatistic.

fstat <- summary(fit)$fstatistic
pf(fstat[1], fstat[2], fstat[3], lower.tail=FALSE)

Kaynak: [1] , [2]

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.squared

Başka bir seçenek lm yerine cor.test işlevini kullanmaktır:

> 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] 0.1081731

kullanın:

(summary(fit))$coefficients[***num***,4]

burada numkatsayılar matrisinin sırasını gösteren bir sayıdır. Modelinizde kaç tane özelliğe sahip olduğunuza ve p-değerini çekmek istediğinize bağlı olacaktır. Örneğin, yalnızca bir değişkeniniz varsa kesişme için bir p-değeri olacak ve bu değer [1,4], bir sonraki değişkeni ise gerçek değişkeniniz için [2,4] olacaktır. Yani num2 olacaksın.