具有许多因变量的多元多元线性回归答案

【问题标题】：Multivariate multiple linear regression with many dependent variables具有许多因变量的多元多元线性回归
【发布时间】：2018-03-24 11:37:32
【问题描述】：

如果有很多因变量，例如在我的情况下准确地说是 222，如何运行多元线性回归？我想对我拥有的 222 家不同公司的某些值进行回归，但回归变量很少。

我知道我能做到，例如

y <- cbind(y1, y2, y3... yn)
fit <- lm(y ~ X1 + X2 + ... Xn)

但是除了手写cbind(y1, y2, y3, ...y222)之外，还必须有一种巧妙的方法来绑定我的列 - 对吧？

我已经尝试过cbind(vol[, 2:223])，但是将它放在 y 中并提供给 lm() 函数只会导致Error in model.frame.default(formula = y ~ RMF + SMB + HML, drop.unused.levels = TRUE) : invalid type (list) for variable 'y'

对 R 的经验不是很丰富，所以我很感谢我能为我的论文获得的所有帮助！请多多包涵。

【问题讨论】：

222 个变量的线性回归不是一个好主意。考虑岭回归、套索或主成分回归。至于数据的绑定，我认为我们需要一个可重现的示例来为model.matrix 问题提供解决方案。
据我了解，您已经拥有变量 vol 中的所有预测变量，该变量可以是矩阵或数据框。你可以做vol = vol[-1,]; lm(vol~X)。然而，这是 y 直接使用的很多维度。我建议先进行降维方法（例如 PCA）以使 y 的维度更小:)

标签： r

【解决方案1】：

下面我们以内置的anscombe数据框为例。

1) 关键部分是在公式的左侧使用矩阵，而不是数据框。在下面的示例中，我们定义了一个因变量矩阵y，然后将其与lm 一起使用：

y <- as.matrix(anscombe[5:8])
lm(y ~ x1 + x2 + x3 + x4, anscombe)

1a) 或者如果也有很多自变量：

lm(y ~ ., anscombe[1:4])

2) 可以交替使用lm.fit。请注意，它不会自动添加截距，因此我们添加一个：

m <- as.matrix(anscombe)
lm.fit(cbind(Intercept = 1, m[, 1:4]), m[, 5:8])

lm.fit 返回一个列表而不是 lm 对象，但一些方法，如 coef 和 resid（但不是 summary）无论如何都可以使用它。

【讨论】：

【解决方案2】：

假设所有 222 个向量的长度相同，并且您的全局环境除了这 222 个向量之外没有其他对象，您可以尝试：

方法一：

library(purrr)

# get all 223 vectors in a list
vec_list <- as.list(.GlobalEnv))

# cbind the list elements
df <- map_df(vec_list, cbind)

方法二：

# this lists all the objects in your current environment
vec_list= ls()

# get data
df <- cbind(vec_list)

【讨论】：