Wie erfolgt die Rücksendung von vorhergesagten Werten,Residuen R-Platz, von lm.fit in R?

dieses Stück code zurück coefficients :intercept , slop1 , slop2

set.seed(1)
n=10

y=rnorm(n)
x1=rnorm(n)
x2=rnorm(n)

lm.ft=function(y,x1,x2)
  return(lm(y~x1+x2)$coef)

res=list();
for(i in 1:n){
  x1.bar=x1-x1[i]
  x2.bar=x2-x2[i]
  res[[i]]=lm.ft(y,x1.bar,x2.bar)
}

Wenn ich Typ:

   > res[[1]]

Bekomme ich:

      (Intercept)          x1          x2 
     -0.44803887  0.06398476 -0.62798646

Wie können wir wieder vorhergesagte Werte,Residuen,R-Quadrat, ..etc?

Muss ich etwas Allgemeines zu extrahieren, was ich von der Zusammenfassung?

Ich verstehe nicht, warum man Schleifen über 1:n
möglich, Duplikat der Ausgabe Regression Ergebnisse in einen Daten-frame in R

InformationsquelleAutor sacvf | 2014-01-03

  1. 11

    Gibt es ein paar Dinge, die hier Los ist.

    Ersten, Sie sind besser dran, die Kombination von Variablen in einem data.Rahmen:

    df  <- data.frame(y=rnorm(10), x1=rnorm(10), x2 = rnorm(10))
fit <- lm(y~x1+x2, data=df)

    Wenn Sie dies tun, dann verwenden Sie das Modell für die Vorhersage mit einem neuen Datensatz ist viel einfacher.

    Zweitens, einige der Statistiken, die von der Passform sind zugänglich aus dem Modell selbst, und einige sind zugänglich von summary(fit).

    coef  <- coefficients(fit)       # coefficients
resid <- residuals(fit)          # residuals
pred  <- predict(fit)            # fitted values
rsq   <- summary(fit)$r.squared  # R-sq for the fit
se    <- summary(fit)$sigma      # se of the fit

    Zu Holen Sie sich die Statistiken der Koeffizienten, die Sie benötigen, zu verwenden Zusammenfassung:

    stat.coef  <- summary(fit)$coefficients
coef    <- stat.coef[,1]    # 1st column: coefficients (same as above)
se.coef <- stat.coef[,2]    # 2nd column: se for each coef
t.coef  <- stat.coef[,3]    # 3rd column: t-value for each coef
p.coef  <- stat.coef[,4]    # 4th column: p-value for each coefficient

    InformationsquelleAutor jlhoward

  2. 1

    In Ihrer Funktion, Sie gibt nur die Koeffizienten. Versuchen Sie der Rückkehr das gesamte Modell:

    lm.ft=function(y,x1,x2) lm(y~x1+x2) # You don't need the return statement.

    Versuchen Sie nun Ihren code ein, und führen Sie dann:

    summary(res[[1]])

# Call:
#   lm(formula = y ~ x1 + x2)
# 
# Residuals:
#   Min       1Q   Median       3Q      Max 
# -0.88518 -0.25311  0.03868  0.43110  0.61753 
# 
# Coefficients:
#   Estimate Std. Error t value Pr(>|t|)  
# (Intercept) -0.44804    0.32615  -1.374   0.2119  
# x1           0.06398    0.24048   0.266   0.7979  
# x2          -0.62799    0.26915  -2.333   0.0524 .
# ---
#   Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
# 
# Residual standard error: 0.6149 on 7 degrees of freedom
# Multiple R-squared:  0.5173,  Adjusted R-squared:  0.3794 
# F-statistic: 3.751 on 2 and 7 DF,  p-value: 0.07814
    Dann, anstatt nur coef, zurückzukehren, was Sie brauchen, können Sie sogar zurück nur die summary sein, oder Sie können machen Sie eine Liste der Koeffizienten und Residuen und andere Statistiken, die Sie wollen. Wenn Sie müssen nur die Koeffizienten, können Sie auch einfach matrix multiplizieren (%*%) der Daten.

    InformationsquelleAutor nograpes

  3. 1

    Müssen Sie predict -

    set.seed(1)
n=10

y=rnorm(n)
x1=rnorm(n)
x2=rnorm(n)

lm.ft=function(y,x1,x2)
#   return(lm(y~x1+x2)$coef)
    return(lm(y~x1+x2))

  res=lm.ft(y,x1,x2)
ypredicted <- predict(res)
residuals <- y - ypredicted

    InformationsquelleAutor TheComeOnMan

Schreibe einen Kommentar