线性回归中按组的 r 平方答案

【问题标题】：r-squared by groups in linear regression线性回归中按组的 r 平方
【发布时间】：2018-08-20 20:53:19
【问题描述】：

我已经使用我的数据集 (24) 的所有元素计算了线性回归，得到的模型是 IP2。现在我想知道该单一模型对我的数据集中每个国家/地区的拟合程度（r 平方，我对斜率和截距不感兴趣）。糟糕的做法是（我需要做以下 200 次）

Country <- c("A","A","A","A","A","A","A","A","A","A","A","A","B","B","B","B","B","B","B","B","B","B","B","B")
IP <- c(55,56,59,63,67,69,69,73,74,74,79,87,0,22,24,26,26,31,37,41,43,46,46,47)
IP2 <- c(46,47,49,50,53,55,53,57,60,57,58,63,0,19,20,21,22,25,26,28,29,30,31,31)
summary(lm(IP[Country=="A"] ~ IP2[Country=="A"]))
summary(lm(IP[Country=="B"] ~ IP2[Country=="B"]))

有没有办法同时计算两个 r 平方？我尝试使用 Linear Regression and group by in R 以及其他一些帖子 (Fitting several regression models with dplyr)，但它不起作用，并且我得到的四个组的系数相同。关于我做错了什么或如何解决问题的任何想法？谢谢

【问题讨论】：

Help others help you: provide a reprex.
有些不清楚。您想要 1) 使用完整的数据集来估计一个模型并从中计算多个 R^2，还是 2) 分别估计每个组的相同模型并提取 R^2？

标签： r subset linear-regression lm

【解决方案1】：

基于 R 的几个选项：

sapply(unique(Country), function(cn)
  summary(lm(IP[Country == cn] ~ IP2[Country == cn]))$r.sq)
#         A         B 
# 0.9451881 0.9496636

和

c(by(data.frame(IP, IP2), Country, function(x) summary(lm(x))$r.sq))
#         A         B 
# 0.9451881 0.9496636

或

sapply(split(data.frame(IP, IP2), Country), function(x) summary(lm(x))$r.sq)
#         A         B 
# 0.9451881 0.9496636

【讨论】：

谢谢@朱利叶斯。我更喜欢第二个选项，因为第一个选项你需要运行“unique（Country）”来知道哪个国家是哪个（如果 A 不是列表中的第一个）

【解决方案2】：

您可以使用split 函数，然后使用mapply 来完成此操作。

split 接受一个向量并将其转换为一个包含 k 个元素的列表，其中 k 是（在本例中）国家的不同级别。
mapply 允许我们循环多个输入。
getR2 是一个简单的函数，它接受两个输入，拟合一个模型，然后提取 R^2 值。

下面的代码示例

Country <- c("A","A","A","A","A","A","A","A","A","A","A","A","B","B","B","B","B","B","B","B","B","B","B","B")
IP <- c(55,56,59,63,67,69,69,73,74,74,79,87,0,22,24,26,26,31,37,41,43,46,46,47)
IP2 <- c(46,47,49,50,53,55,53,57,60,57,58,63,0,19,20,21,22,25,26,28,29,30,31,31)

ip_split = split(IP,Country)
ip2_split = split(IP2,Country)

getR2 = function(ip,ip2){
  model = lm(ip~ip2)
  return(summary(model)$r.squared)
}

r2.values = mapply(getR2,ip_split,ip2_split)

r2.values
#>         A         B 
#> 0.9451881 0.9496636

【讨论】：