pull-out p-Werte und r-squared von einer linearen regression

Beachten Sie, dass summary(fit) erzeugt ein Objekt mit allen Informationen, die Sie benötigen. Die beta, se, t und p Vektoren sind in ihm gespeichert. Holen Sie sich die p-Werte durch die Auswahl der 4. Spalte der Koeffizienten-matrix (gespeichert in der Zusammenfassung-Objekt):

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

Versuchen str(summary(fit)) zu sehen alle Infos, die dieses Objekt enthält.

Edit: hatte ich falsch verstanden, Chases Antwort, die im Grunde sagt Ihnen, wie man zu dem, was ich hier geben.

InformationsquelleAutor der Antwort Vincent

Während die beiden Antworten oben sind gut, die Prozedur zum extrahieren von teilen von Objekten ist mehr allgemein.

In vielen Fällen Funktionen geben Listen und die einzelnen Komponenten zugegriffen werden kann, mit str() wird drucken Sie die Komponenten zusammen mit Ihren Namen. Sie können dann auf diese mit dem $ - operator, d.h. myobject$componentname.

Im Falle der lm-Objekte gibt es eine Reihe von vordefinierten Methoden, die man nutzen kann, wie coef()resid()summary() etc, aber du wirst nicht immer so viel Glück.

InformationsquelleAutor der Antwort richiemorrisroe

Ich cam über diese Frage, während die Erkundung vorgeschlagenen Lösungen für ein ähnliches problem; ich vermute, dass es für zukünftige Referenz, kann es sinnvoll sein, zur Aktualisierung der Liste der verfügbaren Antwort mit einer Lösung, die Nutzung der Besen Paket.

Beispielcode

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

Ergebnisse

>> 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

Seite Notizen

Ich finde die glance Funktion nützlich, da es ordentlich fasst die nützliche Werte. Als zusätzlichen Vorteil, die Ergebnisse werden gespeichert als data.frame was die weitere manipulation einfach:

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

InformationsquelleAutor der Antwort Konrad

Habe ich dieses amp-Funktion ziemlich oft.

Und an einer Stelle habe ich beschlossen, das hinzufügen neuer features zur Verbesserung der Analyse der Daten. Ich bin nicht Experte in R oder Statistik, aber die Leute sind in der Regel eine Betrachtung der verschiedenen Informationen, die von einer linearen regression :

• p-Wert
• a und b
• r2
• und natürlich der Aspekt der Punkteverteilung

Lassen Sie uns ein Beispiel. Sie haben hier

Hier eine reproduzierbare Beispiel mit verschiedenen Variablen:

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)

Gibt es sicherlich eine schnellere Lösung als diese Funktion, aber es funktioniert.

InformationsquelleAutor der Antwort Dorian Grv

Verwenden:

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

wo num ist eine Zahl bezeichnet die Zeile der Koeffizienten-matrix. Es hängt davon ab, wie viele Funktionen, die Sie haben in Ihrem Modell, die Sie wollen, ziehen Sie den p-Wert. Zum Beispiel, wenn Sie nur eine variable gibt es ein p-Wert für den intercept, die [1,4] - und die nächste für Ihre eigentliche variable, die werden [2,4]. So Ihr num 2.

InformationsquelleAutor der Antwort Tirtha