Fórmula con número dinámico de variables

82

Supongamos que hay algo de data.frame foo_data_frame y uno quiere encontrar la regresión de la columna Y de destino por algunas otras columnas. A tal efecto, se suelen utilizar fórmulas y modelos. Por ejemplo:

linear_model <- lm(Y ~ FACTOR_NAME_1 + FACTOR_NAME_2, foo_data_frame)

Eso funciona bien si la fórmula está codificada estáticamente. Si se desea enraizar varios modelos con el número constante de variables dependientes (digamos, 2), se puede tratar así:

for (i in seq_len(factor_number)) {
  for (j in seq(i + 1, factor_number)) {
    linear_model <- lm(Y ~ F1 + F2, list(Y=foo_data_frame$Y,
                                         F1=foo_data_frame[[i]],
                                         F2=foo_data_frame[[j]]))
    # linear_model further analyzing...
  }
}

Mi pregunta es cómo hacer el mismo efecto cuando el número de variables cambia dinámicamente durante la ejecución del programa.

for (number_of_factors in seq_len(5)) {
   # Then root over subsets with #number_of_factors cardinality.
   for (factors_subset in all_subsets_with_fixed_cardinality) {
     # Here I want to fit model with factors from factors_subset.
     linear_model <- lm(Does R provide smth to write here?)
   }
}
Max
fuente
2
¡Gracias! su ejemplo medio me hizo darme cuenta de que no necesitaba la solución a su pregunta y que podía hacer algo mucho más simple.
Mark Adamson

Respuestas:

103

Ver ?as.formula, por ejemplo:

factors <- c("factor1", "factor2")
as.formula(paste("y~", paste(factors, collapse="+")))
# y ~ factor1 + factor2

donde factorses un vector de caracteres que contiene los nombres de los factores que desea utilizar en el modelo. Esto se puede pegar en un lmmodelo, por ejemplo:

set.seed(0)
y <- rnorm(100)
factor1 <- rep(1:2, each=50)
factor2 <- rep(3:4, 50)
lm(as.formula(paste("y~", paste(factors, collapse="+"))))

# Call:
# lm(formula = as.formula(paste("y~", paste(factors, collapse = "+"))))

# Coefficients:
# (Intercept)      factor1      factor2  
#    0.542471    -0.002525    -0.147433
Joris Meys
fuente
66

Una función a menudo olvidada es reformulate. De ?reformulate:

reformulate crea una fórmula a partir de un vector de caracteres.


Un simple ejemplo:

listoffactors <- c("factor1","factor2")
reformulate(termlabels = listoffactors, response = 'y')

producirá esta fórmula:

y ~ factor1 + factor2


Aunque no está documentado explícitamente, también puede agregar términos de interacción:

listofintfactors <- c("(factor3","factor4)^2")
reformulate(termlabels = c(listoffactors, listofintfactors), 
    response = 'y')

rendirá:

y ~ factor1 + factor2 + (factor3 + factor4)^2

mnel
fuente
3
@JorisMeys ¡Y es mucho mejor ya que permite agregar términos de interacción! He estado buscando una solución similar durante años ..
landroni
¿Qué pasa si las variables x contienen espacios? Di "factor 1", "factor 2", etc.
axioma
11

Otra opción podría ser utilizar una matriz en la fórmula:

Y = rnorm(10)
foo = matrix(rnorm(100),10,10)
factors=c(1,5,8)

lm(Y ~ foo[,factors])
Sacha Epskamp
fuente
3
+1, pero tenga en cuenta el hecho de que esto no permite usar efectos de interacción. Para eso, también se puede construir una matriz modelo (ver ?model.matrix)
Joris Meys
4

En realidad, no necesitas una fórmula. Esto funciona:

lm(data_frame[c("Y", "factor1", "factor2")])

como hace esto:

v <- c("Y", "factor1", "factor2")
do.call("lm", list(bquote(data_frame[.(v)])))
G. Grothendieck
fuente
+1 Muy correcto, pero nuevamente, tendrías que usar model.matrix para construir una matriz con efectos de interacción.
Joris Meys
0

Generalmente resuelvo esto cambiando el nombre de mi columna de respuesta. Es más fácil de hacer de forma dinámica y posiblemente más limpia.

model_response <- "response_field_name"
setnames(model_data_train, c(model_response), "response") #if using data.table
model_gbm <- gbm(response ~ ., data=model_data_train, ...)
bibzzzz
fuente