Come si estrae il valore p (poiché la significatività del coefficiente della singola variabile esplicativa è diversa da zero) e il valore R al quadrato da un semplice modello di regressione lineare? Per esempio...
x = cumsum(c(0, runif(100, -1, +1)))
y = cumsum(c(0, runif(100, -1, +1)))
fit = lm(y ~ x)
summary(fit)So che summary(fit) visualizza il valore p e il valore R al quadrato, ma voglio essere in grado di inserirli in altre variabili.
Risposte:
r-quadrato : è possibile restituire il valore di r-quadrato direttamente dall'oggetto di riepilogo summary(fit)$r.squared. Consulta l' names(summary(fit))elenco di tutti gli elementi che puoi estrarre direttamente.
Valore p del modello: se si desidera ottenere il valore p del modello di regressione generale, questo post del blog delinea una funzione per restituire il valore p:
lmp <- function (modelobject) {
if (class(modelobject) != "lm") stop("Not an object of class 'lm' ")
f <- summary(modelobject)$fstatistic
p <- pf(f[1],f[2],f[3],lower.tail=F)
attributes(p) <- NULL
return(p)
}
> lmp(fit)
[1] 1.622665e-05Nel caso di una semplice regressione con un predittore, il valore p del modello e il valore p del coefficiente saranno gli stessi.
Valori p coefficienti: se si dispone di più di un predittore, quanto sopra restituirà il valore p del modello e il valore p per i coefficienti può essere estratto usando:
summary(fit)$coefficients[,4] In alternativa, puoi prendere il valore p dei coefficienti anova(fit)dall'oggetto in modo simile all'oggetto di riepilogo sopra.
inheritspiuttosto che classdirettamente. E forse vuoi unname(pf(f[1],f[2],f[3],lower.tail=F))?
Si noti che summary(fit)genera un oggetto con tutte le informazioni necessarie. I vettori beta, se, te p sono memorizzati in esso. Ottieni i valori p selezionando la quarta colonna della matrice dei coefficienti (memorizzata nell'oggetto di riepilogo):
summary(fit)$coefficients[,4]
summary(fit)$r.squaredProva str(summary(fit))a vedere tutte le informazioni contenute in questo oggetto.
Modifica: ho letto male la risposta di Chase che sostanzialmente ti dice come arrivare a ciò che do qui.
summary(fit)$coefficients[1,4] per thei ntercept
lm()ma non per i gls()modelli.
Puoi vedere la struttura dell'oggetto restituita summary()chiamando str(summary(fit)). È possibile accedere a ciascun pezzo utilizzando $. Il valore p per la statistica F si ottiene più facilmente dall'oggetto restituito daanova .
In breve, puoi farlo:
rSquared <- summary(fit)$r.squared
pVal <- anova(fit)$'Pr(>F)'[1]Mentre entrambe le risposte sopra sono buone, la procedura per estrarre parti di oggetti è più generale.
In molti casi, le funzioni restituiscono gli elenchi e si accede ai singoli componenti mediante i str()quali verranno stampati i componenti insieme ai loro nomi. È quindi possibile accedervi utilizzando l'operatore $, ad es myobject$componentname.
In caso di oggetti lm, ci sono una serie di metodi predefiniti si possono utilizzare, come coef(), resid(), summary()ecc, ma vi sarà non essere sempre così fortunato.
Mi sono imbattuto in questa domanda mentre esploravo le soluzioni suggerite per un problema simile; Presumo che per riferimenti futuri potrebbe essere utile aggiornare l'elenco di risposte disponibili con una soluzione che utilizza ilbroom pacchetto.
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 99Trovo che la glancefunzione sia utile in quanto riassume ordinatamente i valori chiave. I risultati vengono archiviati come uno data.frameche semplifica l'ulteriore manipolazione:
>> class(glance(fit))
[1] "data.frame"Estensione della s' @Vincent risposta :
Per i lm()modelli generati:
summary(fit)$coefficients[,4] ##P-values
summary(fit)$r.squared ##R squared valuesPer i gls()modelli generati:
summary(fit)$tTable[,4] ##P-values
##R-squared values are not generated b/c gls uses max-likelihood not Sums of SquaresPer isolare un singolo valore p, aggiungi un numero di riga al codice:
Ad esempio per accedere al valore p dell'intercetta in entrambi i riepiloghi del modello:
summary(fit)$coefficients[1,4]
summary(fit)$tTable[1,4] Nota, puoi sostituire il numero di colonna con il nome della colonna in ciascuna delle istanze sopra:
summary(fit)$coefficients[1,"Pr(>|t|)"] ##lm
summary(fit)$tTable[1,"p-value"] ##gls Se non sei ancora sicuro di come accedere a un valore dalla tabella di riepilogo, utilizza str()per capire la struttura della tabella di riepilogo:
str(summary(fit))Ho usato questa funzione lmp molte volte.
E ad un certo punto ho deciso di aggiungere nuove funzionalità per migliorare l'analisi dei dati. Non sono esperto di R o statistica ma le persone di solito stanno guardando diverse informazioni di una regressione lineare:
Facciamo un esempio. Hai qui
Ecco un esempio riproducibile con diverse variabili:
Ex<-structure(list(X1 = c(-36.8598, -37.1726, -36.4343, -36.8644,
-37.0599, -34.8818, -31.9907, -37.8304, -34.3367, -31.2984, -33.5731
), X2 = c(64.26, 63.085, 66.36, 61.08, 61.57, 65.04, 72.69, 63.83,
67.555, 76.06, 68.61), Y1 = c(493.81544, 493.81544, 494.54173,
494.61364, 494.61381, 494.38717, 494.64122, 493.73265, 494.04246,
494.92989, 494.98384), Y2 = c(489.704166, 489.704166, 490.710962,
490.653212, 490.710612, 489.822928, 488.160904, 489.747776, 490.600579,
488.946738, 490.398958), Y3 = c(-19L, -19L, -19L, -23L, -30L,
-43L, -43L, -2L, -58L, -47L, -61L)), .Names = c("X1", "X2", "Y1",
"Y2", "Y3"), row.names = c(NA, 11L), class = "data.frame")
library(reshape2)
library(ggplot2)
Ex2<-melt(Ex,id=c("X1","X2"))
colnames(Ex2)[3:4]<-c("Y","Yvalue")
Ex3<-melt(Ex2,id=c("Y","Yvalue"))
colnames(Ex3)[3:4]<-c("X","Xvalue")
ggplot(Ex3,aes(Xvalue,Yvalue))+
geom_smooth(method="lm",alpha=0.2,size=1,color="grey")+
geom_point(size=2)+
facet_grid(Y~X,scales='free')
#Use the lmp function
lmp <- function (modelobject) {
if (class(modelobject) != "lm") stop("Not an object of class 'lm' ")
f <- summary(modelobject)$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)Esiste sicuramente una soluzione più veloce di questa funzione ma funziona.
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)$r.squaredUn'altra opzione è usare la funzione cor.test, invece di lm:
> x <- c(44.4, 45.9, 41.9, 53.3, 44.7, 44.1, 50.7, 45.2, 60.1)
> y <- c( 2.6, 3.1, 2.5, 5.0, 3.6, 4.0, 5.2, 2.8, 3.8)
> mycor = cor.test(x,y)
> mylm = lm(x~y)
# r and rsquared:
> cor.test(x,y)$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] 0.1081731Uso:
(summary(fit))$coefficients[***num***,4]dove numè un numero che indica la riga della matrice dei coefficienti. Dipenderà da quante funzioni hai nel tuo modello e da quale vuoi estrarre il valore p. Ad esempio, se hai solo una variabile, ci sarà un valore p per l'intercettazione che sarà [1,4] e il successivo per la tua variabile effettiva che sarà [2,4]. Quindi il tuo numsarà 2.
r <- summary(lm(rnorm(10)~runif(10)))Non si visualizza nulla).