Come scrivere succintamente una formula con molte variabili da un frame di dati?

Supponiamo di avere una variabile di risposta e un dato contenente tre covariate (come un esempio di giocattolo):

y = c(1,4,6)
d = data.frame(x1 = c(4,-1,3), x2 = c(3,9,8), x3 = c(4,-4,-2))

Voglio adattare una regressione lineare ai dati:

fit = lm(y ~ d$x1 + d$x2 + d$y2)

C'è un modo per scrivere la formula, in modo da non dover scrivere ogni singola covariata? Ad esempio, qualcosa di simile

fit = lm(y ~ d)

(Voglio che ogni variabile nel data frame sia una covariata.) Chiedo perché in realtà ho 50 variabili nel mio data frame, quindi voglio evitare di scrivere x1 + x2 + x3 + etc.

C'è un identificatore speciale che si può usare in una formula per indicare tutte le variabili, è l' .identificatore.

y <- c(1,4,6)
d <- data.frame(y = y, x1 = c(4,-1,3), x2 = c(3,9,8), x3 = c(4,-4,-2))
mod <- lm(y ~ ., data = d)

Puoi anche fare cose come questa, per usare tutte le variabili tranne una (in questo caso x3 è escluso):

mod <- lm(y ~ . - x3, data = d)

Tecnicamente, .significa tutte le variabili non già menzionate nella formula . Per esempio

lm(y ~ x1 * x2 + ., data = d)

dove .farebbe riferimento solo x3come x1e x2sono già nella formula.

Un approccio leggermente diverso consiste nel creare la formula da una stringa. Nella formulapagina della guida troverai il seguente esempio:

## Create a formula for a model with a large number of variables:
xnam <- paste("x", 1:25, sep="")
fmla <- as.formula(paste("y ~ ", paste(xnam, collapse= "+")))

Quindi se guardi la formula generata, otterrai:

R> fmla
y ~ x1 + x2 + x3 + x4 + x5 + x6 + x7 + x8 + x9 + x10 + x11 + 
    x12 + x13 + x14 + x15 + x16 + x17 + x18 + x19 + x20 + x21 + 
    x22 + x23 + x24 + x25

Sì, certo, aggiungi la risposta ycome prima colonna nel dataframe e chiamala lm():

d2<-data.frame(y,d)
> d2
  y x1 x2 x3
1 1  4  3  4
2 4 -1  9 -4
3 6  3  8 -2
> lm(d2)

Call:
lm(formula = d2)

Coefficients:
(Intercept)           x1           x2           x3  
    -5.6316       0.7895       1.1579           NA  

Inoltre, le mie informazioni su R indicano che l'assegnazione con <-è consigliata =.

Un'estensione del metodo di juba consiste nell'usare reformulate, una funzione che è espressamente progettata per tale compito.

## Create a formula for a model with a large number of variables:
xnam <- paste("x", 1:25, sep="")

reformulate(xnam, "y")
y ~ x1 + x2 + x3 + x4 + x5 + x6 + x7 + x8 + x9 + x10 + x11 + 
    x12 + x13 + x14 + x15 + x16 + x17 + x18 + x19 + x20 + x21 + 
    x22 + x23 + x24 + x25

Per l'esempio nell'OP, la soluzione più semplice qui sarebbe

# add y variable to data.frame d
d <- cbind(y, d)
reformulate(names(d)[-1], names(d[1]))
y ~ x1 + x2 + x3

o

mod <- lm(reformulate(names(d)[-1], names(d[1])), data=d)

Si noti che l'aggiunta della variabile dipendente a data.frame in d <- cbind(y, d)è preferibile non solo perché consente l'uso di reformulate, ma anche perché consente l'uso futuro lmdell'oggetto in funzioni come predict.

Costruisco questa soluzione, reformulatenon mi interessa se i nomi delle variabili hanno spazi bianchi.

add_backticks = function(x) {
    paste0("`", x, "`")
}

x_lm_formula = function(x) {
    paste(add_backticks(x), collapse = " + ")
}

build_lm_formula = function(x, y){
    if (length(y)>1){
        stop("y needs to be just one variable")
    }
    as.formula(        
        paste0("`",y,"`", " ~ ", x_lm_formula(x))
    )
}

# Example
df <- data.frame(
    y = c(1,4,6), 
    x1 = c(4,-1,3), 
    x2 = c(3,9,8), 
    x3 = c(4,-4,-2)
    )

# Model Specification
columns = colnames(df)
y_cols = columns[1]
x_cols = columns[2:length(columns)]
formula = build_lm_formula(x_cols, y_cols)
formula
# output
# "`y` ~ `x1` + `x2` + `x3`"

# Run Model
lm(formula = formula, data = df)
# output
Call:
    lm(formula = formula, data = df)

Coefficients:
    (Intercept)           x1           x2           x3  
        -5.6316       0.7895       1.1579           NA  

`` `

È possibile controllare il pacchetto leapse in particolare le funzioni regsubsets() funzionali per la selezione del modello. Come indicato nella documentazione:

Selezione del modello tramite ricerca esaustiva, sostituzione graduale in avanti o indietro o sostituzione sequenziale