Jak wyciągnąć wartość p (dla istotności współczynnika pojedynczej zmiennej objaśniającej niezerowej) i wartość R-kwadrat z prostego modelu regresji liniowej? Na przykład...

x = cumsum(c(0, runif(100, -1, +1)))
y = cumsum(c(0, runif(100, -1, +1)))
fit = lm(y ~ x)
summary(fit)

Wiem, że summary(fit) wyświetla wartość p i wartość R-kwadrat, ale chcę móc umieścić je w innych zmiennych.

r-kwadrat : Możesz zwrócić wartość r-kwadrat bezpośrednio z obiektu podsumowania summary(fit)$r.squared. Zobacz names(summary(fit))listę wszystkich elementów, które możesz wyodrębnić bezpośrednio.

Modelowa wartość p: Jeśli chcesz uzyskać wartość p ogólnego modelu regresji, ten post na blogu przedstawia w zarysie funkcję zwracającą wartość p:

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

W przypadku prostej regresji z jednym predyktorem wartość p modelu i wartość p dla współczynnika będą takie same.

Współczynnik wartości p: Jeśli masz więcej niż jeden predyktor, powyższe zwróci wartość p modelu, a wartość p dla współczynników można wyodrębnić za pomocą:

summary(fit)$coefficients[,4]  

Alternatywnie możesz pobrać wartość p współczynników z anova(fit)obiektu w podobny sposób, jak w przypadku obiektu podsumowania powyżej.

Zwróć uwagę, że summary(fit)generuje obiekt ze wszystkimi potrzebnymi informacjami. Wektory beta, se, t i p są w nim przechowywane. Uzyskaj wartości p, wybierając czwartą kolumnę macierzy współczynników (przechowywaną w obiekcie podsumowania):

summary(fit)$coefficients[,4] 
summary(fit)$r.squared

Spróbuj str(summary(fit))zobaczyć wszystkie informacje, które zawiera ten obiekt.

Edycja: źle odczytałem odpowiedź Chase, która w zasadzie mówi ci, jak dostać się do tego, co tutaj podaję.

Możesz zobaczyć strukturę obiektu zwróconego summary()przez wywołanie str(summary(fit)). Dostęp do każdego elementu można uzyskać za pomocą $. Wartość p dla statystyki F jest łatwiejsza do uzyskania z obiektu zwróconego przez anova.

Dokładniej, możesz to zrobić:

rSquared <- summary(fit)$r.squared
pVal <- anova(fit)$'Pr(>F)'[1]

Chociaż obie powyższe odpowiedzi są dobre, procedura wyodrębniania części obiektów jest bardziej ogólna.

W wielu przypadkach funkcje zwracają listy, a dostęp do poszczególnych składników można uzyskać za pomocą polecenia, str()które wypisze składniki wraz z ich nazwami. Możesz wtedy uzyskać do nich dostęp za pomocą operatora $, tj myobject$componentname.

W przypadku obiektów lm, istnieje szereg predefiniowanych metod można użyć takich jak coef(), resid(), summary()itp, ale nie zawsze będzie tak szczęśliwy.

Natknąłem się na to pytanie, badając sugerowane rozwiązania podobnego problemu; Przypuszczam, że w przyszłości warto zaktualizować dostępną listę odpowiedzi rozwiązaniem wykorzystującym rozszerzeniebroom pakiet.

Przykładowy kod

x = cumsum(c(0, runif(100, -1, +1)))
y = cumsum(c(0, runif(100, -1, +1)))
fit = lm(y ~ x)
require(broom)
glance(fit)

Wyniki

>> 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          99

Dodatkowe uwagi

Uważam, że glancefunkcja jest przydatna, ponieważ starannie podsumowuje kluczowe wartości. Wyniki są przechowywane jako a, data.frameco ułatwia dalszą manipulację:

>> class(glance(fit))
[1] "data.frame"

Rozszerzenie @Vincent „s odpowiedź :

Dla lm()wygenerowanych modeli:

summary(fit)$coefficients[,4]   ##P-values 
summary(fit)$r.squared          ##R squared values

Dla gls()wygenerowanych modeli:

summary(fit)$tTable[,4]         ##P-values
##R-squared values are not generated b/c gls uses max-likelihood not Sums of Squares

Aby wyodrębnić samą indywidualną wartość p, należy dodać numer wiersza do kodu:

Na przykład, aby uzyskać dostęp do wartości p punktu przecięcia z osią w obu podsumowaniach modelu:

summary(fit)$coefficients[1,4]
summary(fit)$tTable[1,4]  

• Uwaga, możesz zastąpić numer kolumny nazwą kolumny w każdym z powyższych wystąpień:

  summary(fit)$coefficients[1,"Pr(>|t|)"]  ##lm 
  summary(fit)$tTable[1,"p-value"]         ##gls 

Jeśli nadal nie masz pewności, jak uzyskać dostęp do wartości z tabeli podsumowań, której użyjesz str()do ustalenia struktury tabeli podsumowań:

str(summary(fit))

Oto najłatwiejszy sposób na pobranie wartości p:

coef(summary(modelname))[, "Pr(>|t|)"]

Używałem tej funkcji lmp dość dużo razy.

W pewnym momencie zdecydowałem się dodać nowe funkcje, aby ulepszyć analizę danych. Nie jestem ekspertem w R ani statystykach, ale ludzie zwykle patrzą na różne informacje dotyczące regresji liniowej:

• wartość p
• a i b
• r²
• i oczywiście aspekt dystrybucji punktów

Weźmy przykład. Masz tutaj

Tutaj odtwarzalny przykład z różnymi zmiennymi:

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)

Na pewno jest szybsze rozwiązanie niż ta funkcja, ale działa.

Dla końcowej wartości p wyświetlanej na końcu summary(), funkcja używa pf()do obliczenia na podstawie summary(fit)$fstatisticwartości.

fstat <- summary(fit)$fstatistic
pf(fstat[1], fstat[2], fstat[3], lower.tail=FALSE)

Źródło: [1] , [2]

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.squared

Inną opcją jest użycie funkcji cor.test zamiast 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] 0.1081731

Posługiwać się:

(summary(fit))$coefficients[***num***,4]

gdzie numjest liczbą oznaczającą wiersz macierzy współczynników. Będzie to zależeć od tego, ile funkcji masz w swoim modelu i dla której chcesz uzyskać wartość p. Na przykład, jeśli masz tylko jedną zmienną, będzie jedna wartość p dla punktu przecięcia z osią, która będzie wynosić [1,4], a następna dla zmiennej rzeczywistej, która będzie wynosić [2,4]. Więc twoja numwola będzie 2.