Wie ziehen Sie den p-Wert (für die Signifikanz des Koeffizienten der einzelnen erklärenden Variablen ungleich Null) und den R-Quadrat-Wert aus einem einfachen linearen Regressionsmodell heraus? Beispielsweise...
x = cumsum(c(0, runif(100, -1, +1)))
y = cumsum(c(0, runif(100, -1, +1)))
fit = lm(y ~ x)
summary(fit)Ich weiß, dass der p-Wert und der R-Quadrat-Wert summary(fit) angezeigt werden, aber ich möchte diese in andere Variablen einfügen können.
Antworten:
r-Quadrat : Sie können den r-Quadrat-Wert direkt vom Zusammenfassungsobjekt zurückgeben summary(fit)$r.squared. Siehe names(summary(fit))für eine Liste aller Artikel , die Sie direkt extrahieren.
Modell-p-Wert: Wenn Sie den p-Wert des gesamten Regressionsmodells erhalten möchten, beschreibt dieser Blog-Beitrag eine Funktion zum Zurückgeben des p-Werts:
lmp <- function (modelobject) {
if (class(modelobject) != "lm") stop("Not an object of class 'lm' ")
f <- summary(modelobject)$fstatistic
p <- pf(f[1],f[2],f[3],lower.tail=F)
attributes(p) <- NULL
return(p)
}
> lmp(fit)
[1] 1.622665e-05Bei einer einfachen Regression mit einem Prädiktor sind der p-Wert des Modells und der p-Wert für den Koeffizienten gleich.
Koeffizienten-p-Werte: Wenn Sie mehr als einen Prädiktor haben, gibt der obige den p-Wert des Modells zurück, und der p-Wert für Koeffizienten kann extrahiert werden mit:
summary(fit)$coefficients[,4] Alternativ können Sie den p-Wert von Koeffizienten aus dem anova(fit)Objekt auf ähnliche Weise wie das obige Zusammenfassungsobjekt abrufen.
inheritsals classdirekt. Und vielleicht willst du unname(pf(f[1],f[2],f[3],lower.tail=F))?
Beachten Sie, dass summary(fit)ein Objekt mit allen benötigten Informationen generiert wird. Darin sind die Beta-, Se-, T- und P-Vektoren gespeichert. Erhalten Sie die p-Werte, indem Sie die 4. Spalte der Koeffizientenmatrix auswählen (im Zusammenfassungsobjekt gespeichert):
summary(fit)$coefficients[,4]
summary(fit)$r.squaredVersuchen Sie str(summary(fit)), alle Informationen zu sehen, die dieses Objekt enthält.
Bearbeiten: Ich hatte Chases Antwort falsch verstanden, die Ihnen im Grunde sagt, wie Sie zu dem kommen, was ich hier gebe.
summary(fit)$coefficients[1,4] für thei ntercept
lm(), funktioniert jedoch nicht für gls()Modelle.
Sie können die Struktur des von zurückgegebenen Objekts summary()durch Aufrufen sehen str(summary(fit)). Auf jedes Stück kann mit zugegriffen werden $. Der p-Wert für die F-Statistik lässt sich leichter aus dem von zurückgegebenen Objekt ermitteln anova.
Kurz gesagt, Sie können dies tun:
rSquared <- summary(fit)$r.squared
pVal <- anova(fit)$'Pr(>F)'[1]Während beide obigen Antworten gut sind, ist das Verfahren zum Extrahieren von Teilen von Objekten allgemeiner.
In vielen Fällen geben Funktionen Listen zurück, und auf die einzelnen Komponenten kann zugegriffen werden, str()wodurch die Komponenten zusammen mit ihren Namen gedruckt werden. Sie können dann mit dem Operator $ darauf zugreifen, d myobject$componentname. H.
Im Fall von lm Objekten gibt es eine Reihe von vordefinierten Methoden kann man wie verwenden coef(), resid(), summary()etc, aber Sie werden nicht immer so viel Glück.
Ich bin auf diese Frage gestoßen, als ich nach Lösungsvorschlägen für ein ähnliches Problem gesucht habe. Ich gehe davon aus, dass es sich zum späteren Nachschlagen lohnen kann, die verfügbare Antwortliste mit einer Lösung zu aktualisieren, die das broomPaket verwendet.
x = cumsum(c(0, runif(100, -1, +1)))
y = cumsum(c(0, runif(100, -1, +1)))
fit = lm(y ~ x)
require(broom)
glance(fit)>> glance(fit)
r.squared adj.r.squared sigma statistic p.value df logLik AIC BIC deviance df.residual
1 0.5442762 0.5396729 1.502943 118.2368 1.3719e-18 2 -183.4527 372.9055 380.7508 223.6251 99Ich finde die glanceFunktion nützlich, da sie die Schlüsselwerte übersichtlich zusammenfasst. Die Ergebnisse werden als gespeichert, data.framewas die weitere Manipulation erleichtert:
>> class(glance(fit))
[1] "data.frame"Erweiterung der Antwort von @Vincent :
Für lm()generierte Modelle:
summary(fit)$coefficients[,4] ##P-values
summary(fit)$r.squared ##R squared valuesFür gls()generierte Modelle:
summary(fit)$tTable[,4] ##P-values
##R-squared values are not generated b/c gls uses max-likelihood not Sums of SquaresUm einen einzelnen p-Wert selbst zu isolieren, fügen Sie dem Code eine Zeilennummer hinzu:
So greifen Sie beispielsweise auf den p-Wert des Abschnitts in beiden Modellzusammenfassungen zu:
summary(fit)$coefficients[1,4]
summary(fit)$tTable[1,4] Beachten Sie, dass Sie die Spaltennummer in jeder der oben genannten Instanzen durch den Spaltennamen ersetzen können:
summary(fit)$coefficients[1,"Pr(>|t|)"] ##lm
summary(fit)$tTable[1,"p-value"] ##gls Wenn Sie sich immer noch nicht sicher sind, wie Sie auf einen Wert aus der Übersichtstabelle zugreifen sollen, verwenden Sie diese str(), um die Struktur der Übersichtstabelle zu ermitteln:
str(summary(fit))Ich habe diese lmp-Funktion ziemlich oft benutzt.
Und irgendwann habe ich beschlossen, neue Funktionen hinzuzufügen, um die Datenanalyse zu verbessern. Ich bin kein Experte für R oder Statistik, aber die Leute betrachten normalerweise verschiedene Informationen einer linearen Regression:
Lassen Sie uns ein Beispiel haben. Du hast hier
Hier ein reproduzierbares 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$"p-value"[l]))
}
Tabtemp
}
# ------- EXAMPLES ------
lmtable("Y1","X1",Ex)
lmtable(c("Y1","Y2","Y3"),c("X1","X2"),Ex)
lmtable(c("Y1","Y2","Y3"),c("X1","X2"),Ex,signi=TRUE)Es gibt sicherlich eine schnellere Lösung als diese Funktion, aber sie funktioniert.
x = cumsum(c(0, runif(100, -1, +1)))
y = cumsum(c(0, runif(100, -1, +1)))
fit = lm(y ~ x)
> names(summary(fit))
[1] "call" "terms"
[3] "residuals" "coefficients"
[5] "aliased" "sigma"
[7] "df" "r.squared"
[9] "adj.r.squared" "fstatistic"
[11] "cov.unscaled"
summary(fit)$r.squaredEine andere Option ist die Verwendung der Funktion cor.test anstelle von 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)$p.value
[1] 0.1081731Verwenden:
(summary(fit))$coefficients[***num***,4]Dabei numist eine Zahl angegeben, die die Zeile der Koeffizientenmatrix bezeichnet. Dies hängt davon ab, wie viele Funktionen Ihr Modell enthält und für welche Sie den p-Wert herausziehen möchten. Wenn Sie beispielsweise nur eine Variable haben, gibt es einen p-Wert für den Achsenabschnitt, der [1,4] ist, und den nächsten für Ihre tatsächliche Variable, der [2,4] ist. Also wirst numdu 2 sein.
r <- summary(lm(rnorm(10)~runif(10)))nichts anzeigen).