找到变量向量的加权频率和 se

Question

我想找到我数据中所有变量的加权频率及其 SE。

df <- data.frame(sex = c('F', 'M', 'F', 'M', 'M', 'M', 'F', 'F'),
                 married = c(1,1,1,1,0,0,1,1),
                 pens = c(0, 1, 1, 1, 1, 1, 0, 0),
                 weight = c(1.12, 0.55, 1.1, 0.6, 0.23, 0.23, 0.66, 0.67))

design <- svydesign(ids=~1, data=df, weights=~weight)

要获得一个变量的加权频率：

svymean(~interaction(married), design)

                          mean     SE
interaction(married)0 0.089147 0.0717
interaction(married)1 0.910853 0.0717

我的实际数据集很大，我想一次在所有变量上运行它。

vars <- c("sex","married","pens")

我试过了，但它会引发错误。

svymean(~interaction(reformulate(vars)), design)

Error in unique.default(x, nmax = nmax) : 
  unique() applies only to vectors

我也可以这样做——但运行 svytable 对我没有帮助，因为我需要 SE。

for(i in  seq_along(vars)){
    print(prop.table(svytable(bquote(~.(as.name(vars[i]))), design)))
 }

编辑

我想分别对我的 df 中的每个变量运行 svymean(~interaction(var), design) 。所以不必像这样运行多次：

svymean(~interaction(married), design)
svymean(~interaction(sex), design)
svymean(~interaction(pen), design)

我希望能够为我的名称向量列表 (vars) 中的每个变量循环执行此命令。

有什么建议吗！？？

Answer 1

我们可以使用paste 来创建公式

out1 <- svymean(as.formula(paste0('~interaction(', toString(vars), ')')), design)

out1
#                                         mean     SE
#interaction(sex, married, pens)F.0.0 0.000000 0.0000
#interaction(sex, married, pens)M.0.0 0.000000 0.0000
#interaction(sex, married, pens)F.1.0 0.474806 0.2109
#interaction(sex, married, pens)M.1.0 0.000000 0.0000
#interaction(sex, married, pens)F.0.1 0.000000 0.0000
#interaction(sex, married, pens)M.0.1 0.089147 0.0717
#interaction(sex, married, pens)F.1.1 0.213178 0.1945
#interaction(sex, married, pens)M.1.1 0.222868 0.1567

手动输入测试

out2 <- svymean(~interaction(sex,married, pens), design)
identical(out1, out2)
#[1] TRUE

更新

要单独执行此操作，我们可以使用lapply

outlst1 <- lapply(vars, function(x) 
    svymean(as.formula(paste0('~interaction(', x, ')')), design))

outlst1
#[[1]]
#                     mean     SE
#interaction(sex)F 0.68798 0.1721
#interaction(sex)M 0.31202 0.1721

#[[2]]
#                          mean     SE
#interaction(married)0 0.089147 0.0717
#interaction(married)1 0.910853 0.0717

#[[3]]
#                      mean     SE
#interaction(pens)0 0.47481 0.2109
#interaction(pens)1 0.52519 0.2109