vorwärts schrittweise regression

In R stepwise forward regression, ich geben Sie ein minimales Modell und eine Menge von Variablen mit hinzufügen oder nicht hinzufügen):

min.model = lm(y ~ 1)
fwd.model = step(min.model, direction='forward', scope=(~ x1 + x2 + x3 + ...))

Gibt es eine Möglichkeit, um anzugeben, mit allen Variablen in einer matrix/Daten.Rahmen, so dass ich nicht haben, aufzuzählen?

Beispiele zu veranschaulichen, was ich gerne tun würde, aber Sie funktionieren nicht:

# 1
fwd.model = step(min.model, direction='forward', scope=(~ ., data=my.data.frame))

# 2
min.model = lm(y ~ 1, data=my.data.frame)
fwd.model = step(min.model, direction='forward', scope=(~ .))

InformationsquelleAutor Michael Schubert | 2014-04-07

  1. 17

    scope erwartet (Zitat aus der Hilfe-Seite ?step)

    entweder eine einzelne Formel, oder eine Liste mit
    Komponenten 'oberen' und 'unteren', beide Formeln. Sehen
    details für die, wie Sie angeben, die Formeln und wie Sie sind
    verwendet.

    Können Sie extrahieren und verwenden Sie die Formel entsprechend "~." wie folgt aus:

    > my.data.frame=data.frame(y=rnorm(20),foo=rnorm(20),bar=rnorm(20),baz=rnorm(20))
> min.model = lm(y ~ 1, data=my.data.frame)
> biggest <- formula(lm(y~.,my.data.frame))
> biggest
y ~ foo + bar + baz
> fwd.model = step(min.model, direction='forward', scope=biggest)
Start:  AIC=0.48
y ~ 1

       Df Sum of Sq    RSS      AIC
+ baz   1    2.5178 16.015 -0.44421
<none>              18.533  0.47614
+ foo   1    1.3187 17.214  0.99993
+ bar   1    0.4573 18.075  1.97644

Step:  AIC=-0.44
y ~ baz

       Df Sum of Sq    RSS      AIC
<none>              16.015 -0.44421
+ foo   1   0.41200 15.603  1.03454
+ bar   1   0.20599 15.809  1.29688
>
    Danke, das löst ist perfekt.
    Haben Sie Lesen über die große Menge von beweisen, dass die variable Auswahl verursacht schwere Probleme der Schätzung und Inferenz? Zumindest der schrittweise Ansatz sollte installiert werden, um zu zeigen, seine Willkür.
    wo kann ich weitere Informationen über bootstrapping schrittweise regression?
    http://biostat.mc.vanderbilt.edu/rms und suchen für die Kurs Notizen

    InformationsquelleAutor Stephan Kolassa

  2. 1

    Du kannst es in einem Schritt wie diesem

    fwd.model = step(lm(y ~ 1, data=my.data.frame), direction='forward', scope=~ x1 + x2 + x3 + ...)

    InformationsquelleAutor aelwan

Schreibe einen Kommentar