Comment écrire succinctement une formule avec de nombreuses variables à partir d'un bloc de données?

Supposons que j'ai une variable de réponse et une donnée contenant trois covariables (comme exemple de jouet):

y = c(1,4,6)
d = data.frame(x1 = c(4,-1,3), x2 = c(3,9,8), x3 = c(4,-4,-2))

Je souhaite ajuster une régression linéaire aux données:

fit = lm(y ~ d$x1 + d$x2 + d$y2)

Existe-t-il un moyen d'écrire la formule, de sorte que je n'ai pas à écrire chaque covariable individuelle? Par exemple, quelque chose comme

fit = lm(y ~ d)

(Je veux que chaque variable de la trame de données soit une covariable.) Je demande parce que j'ai en fait 50 variables dans ma trame de données, donc je veux éviter d'écrire x1 + x2 + x3 + etc.

Il existe un identifiant spécial que l'on peut utiliser dans une formule pour désigner toutes les variables, c'est l' .identifiant.

y <- c(1,4,6)
d <- data.frame(y = y, x1 = c(4,-1,3), x2 = c(3,9,8), x3 = c(4,-4,-2))
mod <- lm(y ~ ., data = d)

Vous pouvez également faire des choses comme ça, pour utiliser toutes les variables sauf une (dans ce cas, x3 est exclu):

mod <- lm(y ~ . - x3, data = d)

Techniquement, cela .signifie toutes les variables non déjà mentionnées dans la formule . Par exemple

lm(y ~ x1 * x2 + ., data = d)

où .ferait seulement référence x3comme x1et x2sont déjà dans la formule.

Une approche légèrement différente consiste à créer votre formule à partir d'une chaîne. Dans la formulapage d'aide, vous trouverez l'exemple suivant:

## Create a formula for a model with a large number of variables:
xnam <- paste("x", 1:25, sep="")
fmla <- as.formula(paste("y ~ ", paste(xnam, collapse= "+")))

Ensuite, si vous regardez la formule générée, vous obtiendrez:

R> fmla
y ~ x1 + x2 + x3 + x4 + x5 + x6 + x7 + x8 + x9 + x10 + x11 + 
    x12 + x13 + x14 + x15 + x16 + x17 + x18 + x19 + x20 + x21 + 
    x22 + x23 + x24 + x25

Oui bien sûr, ajoutez simplement la réponse en ytant que première colonne dans le dataframe et appelez lm()-la:

d2<-data.frame(y,d)
> d2
  y x1 x2 x3
1 1  4  3  4
2 4 -1  9 -4
3 6  3  8 -2
> lm(d2)

Call:
lm(formula = d2)

Coefficients:
(Intercept)           x1           x2           x3  
    -5.6316       0.7895       1.1579           NA  

En outre, mes informations sur R indiquent que l'affectation avec <-est recommandée =.

Une extension de la méthode de juba est d'utiliser reformulate, une fonction qui est explicitement conçue pour une telle tâche.

## Create a formula for a model with a large number of variables:
xnam <- paste("x", 1:25, sep="")

reformulate(xnam, "y")
y ~ x1 + x2 + x3 + x4 + x5 + x6 + x7 + x8 + x9 + x10 + x11 + 
    x12 + x13 + x14 + x15 + x16 + x17 + x18 + x19 + x20 + x21 + 
    x22 + x23 + x24 + x25

Pour l'exemple dans l'OP, la solution la plus simple ici serait

# add y variable to data.frame d
d <- cbind(y, d)
reformulate(names(d)[-1], names(d[1]))
y ~ x1 + x2 + x3

ou

mod <- lm(reformulate(names(d)[-1], names(d[1])), data=d)

Notez que l'ajout de la variable dépendante au data.frame dans d <- cbind(y, d)est préférable non seulement parce qu'il permet l'utilisation de reformulate, mais aussi parce qu'il permet une utilisation future de l' lmobjet dans des fonctions telles que predict.

Je construis cette solution, reformulatene fait pas attention si les noms de variables ont des espaces blancs.

add_backticks = function(x) {
    paste0("`", x, "`")
}

x_lm_formula = function(x) {
    paste(add_backticks(x), collapse = " + ")
}

build_lm_formula = function(x, y){
    if (length(y)>1){
        stop("y needs to be just one variable")
    }
    as.formula(        
        paste0("`",y,"`", " ~ ", x_lm_formula(x))
    )
}

# Example
df <- data.frame(
    y = c(1,4,6), 
    x1 = c(4,-1,3), 
    x2 = c(3,9,8), 
    x3 = c(4,-4,-2)
    )

# Model Specification
columns = colnames(df)
y_cols = columns[1]
x_cols = columns[2:length(columns)]
formula = build_lm_formula(x_cols, y_cols)
formula
# output
# "`y` ~ `x1` + `x2` + `x3`"

# Run Model
lm(formula = formula, data = df)
# output
Call:
    lm(formula = formula, data = df)

Coefficients:
    (Intercept)           x1           x2           x3  
        -5.6316       0.7895       1.1579           NA  

''

Vous pouvez vérifier le package leapset en particulier les fonctions de regsubsets() fonction pour la sélection du modèle. Comme indiqué dans la documentation:

Sélection du modèle par recherche exhaustive, en avant ou en arrière pas à pas, ou remplacement séquentiel