답변:
r- 제곱 : 요약 객체에서 r- 제곱 값을 직접 반환 할 수 있습니다 summary(fit)$r.squared. names(summary(fit))직접 추출 할 수있는 모든 항목의 목록을 참조하십시오 .
모형 p- 값 : 전체 회귀 모형의 p- 값을 얻으려는 경우이 블로그 게시물 에서는 p- 값을 반환하는 함수를 간략하게 설명합니다.
lmp <- function (modelobject) {
if (class(modelobject) != "lm") stop("Not an object of class 'lm' ")
f <- summary(modelobject)$fstatistic
p <- pf(f[1],f[2],f[3],lower.tail=F)
attributes(p) <- NULL
return(p)
}
> lmp(fit)
[1] 1.622665e-05
예측 변수가 하나 인 단순 회귀 분석의 경우 계수 p에 대한 모형 p- 값과 p- 값이 같습니다.
계수 p- 값 : 예측 변수가 둘 이상인 경우 위의 모형 p- 값을 반환하고 계수에 대한 p- 값은 다음을 사용하여 추출 할 수 있습니다.
summary(fit)$coefficients[,4] 또는 anova(fit)위의 요약 개체와 비슷한 방식으로 개체 의 계수 p- 값을 가져올 수 있습니다 .
inherits하는 것보다 사용하는 것이 좋습니다 class. 그리고 어쩌면 당신은 unname(pf(f[1],f[2],f[3],lower.tail=F))원합니까?
summary(fit)필요한 모든 정보 가 포함 된 개체 를 생성합니다. 베타, se, t 및 p 벡터가 저장됩니다. 계수 행렬의 4 번째 열 (요약 객체에 저장 됨)을 선택하여 p- 값을 가져옵니다.
summary(fit)$coefficients[,4]
summary(fit)$r.squared
보십시오 str(summary(fit))이 객체가 포함 된 모든 정보를 볼 수 있습니다.
편집 : 기본적으로 내가 여기에주는 것에 도달하는 방법을 알려주는 체이스의 대답을 잘못 읽었습니다.
summary(fit)$coefficients[1,4] 파묻혀 ntercept을 위해
lm()에는 작동하지만 gls()모델 에는 작동하지 않습니다 .
위의 두 가지 대답이 모두 좋지만 객체의 일부를 추출하는 절차가 더 일반적입니다.
대부분의 경우 함수 반환 목록 및 str()구성 요소 이름과 함께 구성 요소를 인쇄 하여 개별 구성 요소에 액세스 할 수 있습니다 . 그런 다음 $ 연산자를 사용하여 액세스 할 수 있습니다 (예 :) myobject$componentname.
LM 객체의 경우, 하나 등으로 사용할 수있는 미리 정의 된 방법은 여러 가지가있다 coef(), resid(), summary()등,하지만 당신은 항상 운이되지 않습니다.
비슷한 문제에 대한 제안 솔루션을 탐색 하면서이 질문을 보았습니다. 나중에 참조 할 수 있도록 broom패키지를 사용하는 솔루션으로 사용 가능한 답변 목록을 업데이트하는 것이 좋습니다 .
x = cumsum(c(0, runif(100, -1, +1)))
y = cumsum(c(0, runif(100, -1, +1)))
fit = lm(y ~ x)
require(broom)
glance(fit)>> glance(fit)
r.squared adj.r.squared sigma statistic p.value df logLik AIC BIC deviance df.residual
1 0.5442762 0.5396729 1.502943 118.2368 1.3719e-18 2 -183.4527 372.9055 380.7508 223.6251 99glance키 값을 깔끔하게 요약 하여 함수가 유용하다는 것을 알았습니다 . 결과는 다음과 같이 data.frame쉽게 조작 할 수 있도록 저장됩니다 .
>> class(glance(fit))
[1] "data.frame"@Vincent의 답변 확장 :
대한 lm()생성 모델 :
summary(fit)$coefficients[,4] ##P-values
summary(fit)$r.squared ##R squared values대한 gls()생성 모델 :
summary(fit)$tTable[,4] ##P-values
##R-squared values are not generated b/c gls uses max-likelihood not Sums of Squares개별 p- 값 자체를 분리하려면 코드에 행 번호를 추가하십시오.
예를 들어 두 모델 요약에서 절편의 p- 값에 액세스하려면 다음을 수행하십시오.
summary(fit)$coefficients[1,4]
summary(fit)$tTable[1,4] 위의 각 인스턴스에서 열 번호를 열 이름으로 바꿀 수 있습니다.
summary(fit)$coefficients[1,"Pr(>|t|)"] ##lm
summary(fit)$tTable[1,"p-value"] ##gls 여전히 요약 테이블에서 값에 액세스하는 방법을 잘 모르는 경우 요약 테이블 str()의 구조를 파악하는 데 사용 하십시오.
str(summary(fit))이 lmp 함수를 꽤 많이 사용했습니다.
그리고 어느 시점에서 데이터 분석을 향상시키기 위해 새로운 기능을 추가하기로 결정했습니다. 나는 R 또는 통계 전문가가 아니지만 사람들은 일반적으로 선형 회귀에 대한 다른 정보를보고 있습니다.
예를 들어 봅시다. 당신은 여기에 있습니다
다른 변수를 가진 재현 가능한 예는 다음과 같습니다.
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$"p-value"[l]))
}
Tabtemp
}
# ------- EXAMPLES ------
lmtable("Y1","X1",Ex)
lmtable(c("Y1","Y2","Y3"),c("X1","X2"),Ex)
lmtable(c("Y1","Y2","Y3"),c("X1","X2"),Ex,signi=TRUE)이 기능보다 확실히 더 빠른 해결책이 있지만 작동합니다.
x = cumsum(c(0, runif(100, -1, +1)))
y = cumsum(c(0, runif(100, -1, +1)))
fit = lm(y ~ x)
> names(summary(fit))
[1] "call" "terms"
[3] "residuals" "coefficients"
[5] "aliased" "sigma"
[7] "df" "r.squared"
[9] "adj.r.squared" "fstatistic"
[11] "cov.unscaled"
summary(fit)$r.squared또 다른 옵션은 lm 대신 cor.test 함수를 사용하는 것입니다.
> 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] 0.1081731
r <- summary(lm(rnorm(10)~runif(10)))아무것도 표시하지 않음).