Comment extraire la valeur p (pour la signification du coefficient de la variable explicative unique étant non nulle) et la valeur R au carré d'un modèle de régression linéaire simple? Par exemple...
x = cumsum(c(0, runif(100, -1, +1)))
y = cumsum(c(0, runif(100, -1, +1)))
fit = lm(y ~ x)
summary(fit)Je sais que cela summary(fit) affiche la valeur p et la valeur R au carré, mais je veux pouvoir les coller dans d'autres variables.
Réponses:
r-squared : vous pouvez renvoyer la valeur r-squared directement à partir de l'objet de résumé summary(fit)$r.squared. Consultez names(summary(fit))la liste de tous les éléments que vous pouvez extraire directement.
Valeur p du modèle: Si vous souhaitez obtenir la valeur p du modèle de régression global, cet article de blog décrit une fonction pour renvoyer la valeur p:
lmp <- function (modelobject) {
if (class(modelobject) != "lm") stop("Not an object of class 'lm' ")
f <- summary(modelobject)$fstatistic
p <- pf(f[1],f[2],f[3],lower.tail=F)
attributes(p) <- NULL
return(p)
}
> lmp(fit)
[1] 1.622665e-05Dans le cas d'une régression simple avec un seul prédicteur, la p-value du modèle et la p-value du coefficient seront les mêmes.
Valeurs p du coefficient: Si vous avez plus d'un prédicteur, alors ce qui précède renverra la valeur p du modèle, et la valeur p des coefficients peut être extraite en utilisant:
summary(fit)$coefficients[,4] Vous pouvez également saisir la valeur p des coefficients de l' anova(fit)objet de la même manière que l'objet récapitulatif ci-dessus.
inheritsplutôt que classdirectement. Et peut-être que tu veux unname(pf(f[1],f[2],f[3],lower.tail=F))?
Remarquez que summary(fit)génère un objet avec toutes les informations dont vous avez besoin. Les vecteurs bêta, se, t et p y sont stockés. Obtenez les p-values en sélectionnant la 4ème colonne de la matrice des coefficients (stockée dans l'objet de synthèse):
summary(fit)$coefficients[,4]
summary(fit)$r.squaredEssayez str(summary(fit))de voir toutes les informations que cet objet contient.
Edit: j'avais mal lu la réponse de Chase qui vous dit essentiellement comment arriver à ce que je donne ici.
summary(fit)$coefficients[1,4] pour thei ntercept
lm()mais ne fonctionne pas pour les gls()modèles.
Vous pouvez voir la structure de l'objet renvoyé par summary()en appelant str(summary(fit)). Chaque pièce est accessible en utilisant $. La valeur p de la statistique F est plus facilement obtenue à partir de l'objet renvoyé par anova.
En résumé, vous pouvez le faire:
rSquared <- summary(fit)$r.squared
pVal <- anova(fit)$'Pr(>F)'[1]Bien que les deux réponses ci-dessus soient bonnes, la procédure d'extraction de parties d'objets est plus générale.
Dans de nombreux cas, les fonctions renvoient des listes et les composants individuels sont accessibles en utilisant str()ce qui imprimera les composants avec leurs noms. Vous pouvez ensuite y accéder en utilisant l'opérateur $, c'est-à-dire myobject$componentname.
Dans le cas des objets lm, il y a un certain nombre de méthodes prédéfinies , on peut utiliser par exemple coef(), resid(), summary()etc, mais vous ne serez pas toujours aussi chanceux.
Je suis tombé sur cette question en explorant des solutions suggérées pour un problème similaire; Je suppose que pour référence future, il peut être utile de mettre à jour la liste de réponses disponibles avec une solution utilisant le broompackage.
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 99Je trouve que la glancefonction est utile car elle résume parfaitement les valeurs clés. Les résultats sont stockés sous forme de, data.framece qui facilite la manipulation ultérieure:
>> class(glance(fit))
[1] "data.frame"Extension de l » @Vincent réponse :
Pour les lm()modèles générés:
summary(fit)$coefficients[,4] ##P-values
summary(fit)$r.squared ##R squared valuesPour les gls()modèles générés:
summary(fit)$tTable[,4] ##P-values
##R-squared values are not generated b/c gls uses max-likelihood not Sums of SquaresPour isoler une valeur de p individuelle elle-même, ajoutez un numéro de ligne au code:
Par exemple, pour accéder à la valeur p de l'intersection dans les deux résumés du modèle:
summary(fit)$coefficients[1,4]
summary(fit)$tTable[1,4] Notez que vous pouvez remplacer le numéro de colonne par le nom de la colonne dans chacune des instances ci-dessus:
summary(fit)$coefficients[1,"Pr(>|t|)"] ##lm
summary(fit)$tTable[1,"p-value"] ##gls Si vous ne savez toujours pas comment accéder à un formulaire de valeur, le tableau récapitulatif utilise str()pour déterminer la structure du tableau récapitulatif:
str(summary(fit))J'ai utilisé cette fonction lmp plusieurs fois.
Et à un moment donné, j'ai décidé d'ajouter de nouvelles fonctionnalités pour améliorer l'analyse des données. Je ne suis pas expert en R ou en statistiques mais les gens recherchent généralement des informations différentes d'une régression linéaire:
Prenons un exemple. Vous avez ici
Voici un exemple reproductible avec différentes variables:
Ex<-structure(list(X1 = c(-36.8598, -37.1726, -36.4343, -36.8644,
-37.0599, -34.8818, -31.9907, -37.8304, -34.3367, -31.2984, -33.5731
), X2 = c(64.26, 63.085, 66.36, 61.08, 61.57, 65.04, 72.69, 63.83,
67.555, 76.06, 68.61), Y1 = c(493.81544, 493.81544, 494.54173,
494.61364, 494.61381, 494.38717, 494.64122, 493.73265, 494.04246,
494.92989, 494.98384), Y2 = c(489.704166, 489.704166, 490.710962,
490.653212, 490.710612, 489.822928, 488.160904, 489.747776, 490.600579,
488.946738, 490.398958), Y3 = c(-19L, -19L, -19L, -23L, -30L,
-43L, -43L, -2L, -58L, -47L, -61L)), .Names = c("X1", "X2", "Y1",
"Y2", "Y3"), row.names = c(NA, 11L), class = "data.frame")
library(reshape2)
library(ggplot2)
Ex2<-melt(Ex,id=c("X1","X2"))
colnames(Ex2)[3:4]<-c("Y","Yvalue")
Ex3<-melt(Ex2,id=c("Y","Yvalue"))
colnames(Ex3)[3:4]<-c("X","Xvalue")
ggplot(Ex3,aes(Xvalue,Yvalue))+
geom_smooth(method="lm",alpha=0.2,size=1,color="grey")+
geom_point(size=2)+
facet_grid(Y~X,scales='free')
#Use the lmp function
lmp <- function (modelobject) {
if (class(modelobject) != "lm") stop("Not an object of class 'lm' ")
f <- summary(modelobject)$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)Il existe certes une solution plus rapide que cette fonction mais cela fonctionne.
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)$r.squaredUne autre option consiste à utiliser la fonction cor.test, au lieu de lm:
> x <- c(44.4, 45.9, 41.9, 53.3, 44.7, 44.1, 50.7, 45.2, 60.1)
> y <- c( 2.6, 3.1, 2.5, 5.0, 3.6, 4.0, 5.2, 2.8, 3.8)
> mycor = cor.test(x,y)
> mylm = lm(x~y)
# r and rsquared:
> cor.test(x,y)$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] 0.1081731Utilisation:
(summary(fit))$coefficients[***num***,4]où numest un nombre qui désigne la ligne de la matrice des coefficients. Cela dépendra du nombre de fonctionnalités que vous avez dans votre modèle et de celle pour laquelle vous souhaitez extraire la valeur p. Par exemple, si vous n'avez qu'une seule variable, il y aura une valeur p pour l'interception qui sera [1,4] et la suivante pour votre variable réelle qui sera [2,4]. Donc, vous numserez 2.
r <- summary(lm(rnorm(10)~runif(10)))n'affiche rien).