¿Cómo escribir sucintamente una fórmula con muchas variables de un marco de datos?

Supongamos que tengo una variable de respuesta y datos que contienen tres covariables (como un ejemplo de juguete):

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

Quiero ajustar una regresión lineal a los datos:

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

¿Hay alguna manera de escribir la fórmula, para que no tenga que escribir cada covariable individual? Por ejemplo, algo como

fit = lm(y ~ d)

(Quiero que cada variable en el marco de datos sea una covariable). Pregunto porque en realidad tengo 50 variables en mi marco de datos, por lo que quiero evitar escribirlas x1 + x2 + x3 + etc.

Hay un identificador especial que se puede usar en una fórmula para referirse a todas las variables, es el .identificador.

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)

También puede hacer cosas como esta, para usar todas las variables menos una (en este caso, se excluye x3):

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

Técnicamente, .significa todas las variables no mencionadas en la fórmula . Por ejemplo

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

donde .solo haría referencia x3como x1y x2ya están en la fórmula.

Un enfoque ligeramente diferente es crear su fórmula a partir de una cadena. En la formulapágina de ayuda encontrará el siguiente ejemplo:

## 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= "+")))

Luego, si observa la fórmula generada, obtendrá:

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

Sí, por supuesto, solo agregue la respuesta ycomo primera columna en el marco de datos y solicítela lm():

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  

Además, mi información sobre R señala que <-se recomienda terminar la tarea con =.

Una extensión del método de juba es usar reformulateuna función que está explícitamente diseñada para tal tarea.

## 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

Para el ejemplo en el OP, la solución más fácil aquí sería

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

o

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

Tenga en cuenta que d <- cbind(y, d)se prefiere agregar la variable dependiente al data.frame in no solo porque permite el uso de reformulate, sino también porque permite el uso futuro del lmobjeto en funciones como predict.

Construyo esta solución, reformulateno me importa si los nombres de las variables tienen espacios en blanco.

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  

`` `

Puede consultar el paquete leapsy, en particular, las funciones de regsubsets() función para la selección del modelo. Como se indica en la documentación:

Selección de modelo por búsqueda exhaustiva, hacia adelante o hacia atrás paso a paso, o reemplazo secuencial