使用 lm 对独特因子组合的子集进行回归

Question

我想对由分组变量的唯一组合定义的子集自动执行简单的多元回归。我有一个数据框，其中包含多个分组变量 df1[,1:6] 和一些自变量 df1[,8:10] 以及响应 df1[,7]。

这是数据的摘录。

structure(list(Surface = structure(c(1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L), .Label = c("NiAu", "Sn"), class = "factor"), Supplier = structure(c(1L, 1L, 1L, 2L, 2L, 1L, 1L, 2L, 2L, 2L, 2L), .Label = c("A", "B"), class = "factor"), ParticleSize = structure(c(1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L), .Label = c("3", "5"), class = "factor"), T1 = structure(c(2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 1L, 1L), .Label = c("130", "144"), class = "factor"), T2 = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L), .Label = "200", class = "factor"), O2 = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L), .Label = "1300", class = "factor"), Shear = c(56.83, 67.73, 78.51, 62.61, 66.78, 60.89, 62.94, 76.34, 70.56, 70.4, 54.15), Gap = c(373, 450, 417, 450, 406, 439, 439, 417, 439, 441, 417), Clearance = c(500.13, 509.85, 495.97, 499.55, 502.66, 505.33, 500.32, 503.28, 507.44, 500.5, 498.39), Void = c(316, 343, 89, 247, 271, 326, 304, 282, 437, 243, 116)), .Names = c("Surface", "Supplier", "ParticleSize","T1", "T2", "O2", "Shear", "Gap", "Clearance", "Void"), class = "data.frame", row.names = c(NA, -11L))

使用 unique(df1[,1:6]) 返回分组变量的 5 个因子组合。所以我应用 lm() 函数的子集应该有 5 个。 我的电话看起来是这样的

df1.fit.by<-with(df1,by(df1,df1[,1:6], function(x) lm(Shear~Gap+Clearance+Void,data=x)))
sapply(df1.fit.by,coef)

问题 1:它返回一个包含 16 个列表条目的列表。显然，它计算了前六个分组变量的所有可能的因素组合。 (摘录中V5+V6只有一个水平，而V1:4有两个水平。导致2^4=16)但它应该只使用数据中真实存在的因子组合。所以我认为 by() 不是实现这一目标的正确函数。有什么建议吗？
问题 2:我发现引用列索引比引用变量名更容易。所以我最初尝试以 lm(df1[,7]~df1[,8]+df1[,9]) 的方式使用 lm() 函数。那没有成功。因为我总是访问整个 df1 数据帧而不是子集。因此，我可能应该将因子组合的行索引传递给 lm() 函数，而不是完整的数据帧。

我认为问题 1 和问题 2 的解决方案在某种程度上是相关的，并使用另一个子集函数来解决。如果有人能尝试解释我的错误在哪里，那就太好了。如果可能的话，我会坚持使用标准包，因为我想提高对 R 的理解。谢谢

编辑:变量赋值中的一个小错误

Answer 1

您可以使用plyr包:

require(plyr)
list_reg <- dlply(df1, .(Surface, Supplier, ParticleSize, T1, T2), function(df) 
  {lm(Shear~Gap+Clearance+Void,data=df)})
#We have indeed five different results
length(list_reg)
#That's how you check out one particular regression, in this case the first
summary(list_reg[[1]])

函数dlply采用一个data.frame(这就是d...代表的意思)，在你的例子中是df1，并且返回一个列表(这就是 .l... 所代表的)，在您的情况下由五个元素组成，每个元素包含一个回归的结果。

在内部，您的 df1 根据 指定的列分为五个子数据帧。(Surface、Supplier、ParticleSize、T1、T2) 和函数 lm(Shear~Gap+Clearance+Void,data=df) 应用于每个子 data.frame。

要更好地了解 dlply 的真正作用，只需调用

list_sub_df <- dlply(df1, .(Surface, Supplier, ParticleSize, T1, T2))

您可以查看将应用lm的每个子data.frame。

最后只是一个一般说明:paper软件包作者 Hadley Wickham 的文章确实很棒:即使您最终不会使用他的软件包，了解拆分-应用-组合方法仍然非常好。

编辑:

我刚刚进行了快速搜索，正如预期的那样，之前已经对此进行了更好的解释，因此请务必阅读此 SO邮政。

编辑2:

如果您想直接使用列号，请尝试此操作(取自此 SO 帖子):

 list_reg <- dlply(df1, names(df1[, 1:5]), function(df) 
      {lm(Shear~Gap+Clearance+Void,data=df)})