আপনি কীভাবে পি-মান (একক বর্ণনামূলক ভেরিয়েবলের অণু-শূন্যের সহগের তাত্পর্য জন্য) এবং একটি সাধারণ লিনিয়ার রিগ্রেশন মডেল থেকে আর-স্কোয়ার্ড মান বের করতে পারেন? উদাহরণ স্বরূপ...
x = cumsum(c(0, runif(100, -1, +1)))
y = cumsum(c(0, runif(100, -1, +1)))
fit = lm(y ~ x)
summary(fit)আমি জানি যে পি-মান এবং আর-স্কোয়ার্ড মানটি summary(fit) প্রদর্শন করে তবে আমি এগুলি অন্যান্য ভেরিয়েবলগুলিতে আটকে রাখতে সক্ষম হতে চাই।
উত্তর:
আর-স্কোয়ার : আপনি সংক্ষিপ্ত বস্তু থেকে সরাসরি আর-স্কোয়ার মানটি ফিরিয়ে দিতে পারেন summary(fit)$r.squared। আপনি names(summary(fit))সরাসরি নিষ্কাশন করতে পারেন এমন সমস্ত আইটেমের একটি তালিকা দেখুন ।
মডেল পি-মান: আপনি যদি সামগ্রিক রিগ্রেশন মডেলের পি-মান পেতে চান তবে এই ব্লগ পোস্টটি পি-মানটি ফিরিয়ে দেওয়ার জন্য একটি ফাংশনটির রূপরেখা দেয়:
lmp <- function (modelobject) {
if (class(modelobject) != "lm") stop("Not an object of class 'lm' ")
f <- summary(modelobject)$fstatistic
p <- pf(f[1],f[2],f[3],lower.tail=F)
attributes(p) <- NULL
return(p)
}
> lmp(fit)
[1] 1.622665e-05একজন ভবিষ্যদ্বাণীকের সাথে সাধারণ রিগ্রেশনের ক্ষেত্রে, সহগের জন্য মডেল পি-মান এবং পি-মান একই হবে।
গুণাগুণ পি-মানগুলি: আপনার যদি একাধিক পূর্বাভাসক থাকে তবে উপরেরগুলি মডেল পি-মানটি ফিরিয়ে দেবে, এবং সহগের জন্য পি-মানটি ব্যবহার করে বের করা যেতে পারে:
summary(fit)$coefficients[,4] বিকল্পভাবে, আপনি anova(fit)উপরের সংক্ষিপ্ত বস্তুটির অনুরূপ ফ্যাশনে অবজেক্ট থেকে গুণফলের পি-মানটি ধরতে পারেন grab
inheritsনা বরং ব্যবহার করা কিছুটা ভাল class। এবং আপনি চান unname(pf(f[1],f[2],f[3],lower.tail=F))?
লক্ষ্য করুন যা summary(fit)আপনার প্রয়োজনীয় সমস্ত তথ্য সহ একটি অবজেক্ট তৈরি করে। এতে বিটা, সে, টি এবং পি ভেক্টর সঞ্চিত রয়েছে। সহগ ম্যাট্রিক্সের চতুর্থ কলামটি (সংক্ষিপ্ত বস্তুতে সঞ্চিত) নির্বাচন করে পি-মানগুলি পান:
summary(fit)$coefficients[,4]
summary(fit)$r.squaredচেষ্টা str(summary(fit))এই অবজেক্টটিতে থাকা সমস্ত তথ্য দেখার ।
সম্পাদনা করুন: আমি চেজের উত্তর ভুল করে পড়েছিলাম যা মূলত আপনাকে জানায় যে আমি এখানে যা দিচ্ছি তা কীভাবে পাবেন।
summary(fit)$coefficients[1,4] থি নটারসেপ্টের জন্য
lm()তবে gls()মডেলগুলির জন্য কাজ করে না ।
আপনি বস্তু দ্বারা ফিরে কাঠামো দেখতে পারেন summary()কল করে str(summary(fit))। প্রতিটি টুকরা ব্যবহার করে অ্যাক্সেস করা যেতে পারে $। F পরিসংখ্যানগুলির জন্য পি-মানটি সহজেই ফিরে আসা বস্তু থেকে পাওয়া যায় anova।
সংক্ষিপ্তভাবে, আপনি এটি করতে পারেন:
rSquared <- summary(fit)$r.squared
pVal <- anova(fit)$'Pr(>F)'[1]উপরের উভয় উত্তর ভাল হলেও বস্তুর অংশ বের করার পদ্ধতিটি আরও সাধারণ।
অনেক ক্ষেত্রে ফাংশন তালিকা দেয় এবং পৃথক উপাদানগুলি ব্যবহার করে অ্যাক্সেস করা যায় str()যা তাদের নামগুলি সহ উপাদানগুলি মুদ্রণ করবে। তারপরে আপনি $ অপারেটর ব্যবহার করে এগুলি অ্যাক্সেস করতে পারবেনmyobject$componentname ।
LM বস্তুর ক্ষেত্রে, সেখানে পূর্বনির্ধারিত পদ্ধতি এক যেমন ব্যবহার করতে পারেন একটি নম্বর আছে coef(), resid(), summary()ইত্যাদি, কিন্তু আপনি সবসময় তাই ভাগ্যবান হবে না।
অনুরূপ সমস্যার জন্য প্রস্তাবিত সমাধানগুলি অন্বেষণ করতে গিয়ে আমি এই প্রশ্নটি জুড়ে এসেছি; আমি অনুমান করি যে ভবিষ্যতের রেফারেন্সের জন্য উত্তরটি উপলভ্য তালিকাটি ব্যবহারের সমাধানের সাহায্যে আপডেট করা সার্থক হতে পারেbroom প্যাকেজটি ।
x = cumsum(c(0, runif(100, -1, +1)))
y = cumsum(c(0, runif(100, -1, +1)))
fit = lm(y ~ x)
require(broom)
glance(fit)>> glance(fit)
r.squared adj.r.squared sigma statistic p.value df logLik AIC BIC deviance df.residual
1 0.5442762 0.5396729 1.502943 118.2368 1.3719e-18 2 -183.4527 372.9055 380.7508 223.6251 99আমি মনে করি glanceফাংশনটি দরকারী হিসাবে এটি পরিষ্কারভাবে মূল মানগুলির সংক্ষিপ্তসার করে। ফলাফলগুলি এমনভাবে সংরক্ষণ করা হয় data.frameযা আরও হেরফেরকে সহজ করে তোলে:
>> class(glance(fit))
[1] "data.frame"@ ভিনসেন্টের উত্তরের সম্প্রসারণ :
জন্য lm()উত্পন্ন মডেল:
summary(fit)$coefficients[,4] ##P-values
summary(fit)$r.squared ##R squared valuesজন্য gls()উত্পন্ন মডেল:
summary(fit)$tTable[,4] ##P-values
##R-squared values are not generated b/c gls uses max-likelihood not Sums of Squaresএকটি পৃথক পি-মান নিজেই আলাদা করতে, আপনি কোডটিতে একটি সারি নম্বর যুক্ত করবেন:
উদাহরণস্বরূপ উভয় মডেলের সংক্ষিপ্তসারগুলিতে ইন্টারসেপ্টের পি-মান অ্যাক্সেস করতে:
summary(fit)$coefficients[1,4]
summary(fit)$tTable[1,4] দ্রষ্টব্য, আপনি উপরের প্রতিটি উদাহরণে কলামের নাম দিয়ে কলাম নম্বরটি প্রতিস্থাপন করতে পারেন:
summary(fit)$coefficients[1,"Pr(>|t|)"] ##lm
summary(fit)$tTable[1,"p-value"] ##gls আপনি যদি এখনও কোনও মান ফর্মটিতে কীভাবে অ্যাক্সেস করবেন তা সম্পর্কে নিশ্চিত না হলে সারাংশ টেবিলের str()কাঠামোটি বের করার জন্য সারসংক্ষেপ টেবিলটি ব্যবহার করুন :
str(summary(fit))আমি এই lmp ফাংশনটি বেশ কয়েকবার ব্যবহার করেছি।
এবং এক পর্যায়ে আমি ডেটা বিশ্লেষণ বাড়ানোর জন্য নতুন বৈশিষ্ট্য যুক্ত করার সিদ্ধান্ত নিয়েছি। আমি আর বা পরিসংখ্যানগুলিতে বিশেষজ্ঞ নই তবে লোকেরা সাধারণত লিনিয়ার রিগ্রেশন সম্পর্কিত বিভিন্ন তথ্যের দিকে তাকাতে থাকে:
একটি উদাহরণ দেওয়া যাক। তোমার এখানে আছে
বিভিন্ন ভেরিয়েবল সহ একটি পুনরুত্পাদনযোগ্য উদাহরণ:
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$"p-value"[l]))
}
Tabtemp
}
# ------- EXAMPLES ------
lmtable("Y1","X1",Ex)
lmtable(c("Y1","Y2","Y3"),c("X1","X2"),Ex)
lmtable(c("Y1","Y2","Y3"),c("X1","X2"),Ex,signi=TRUE)এই ফাংশনটির চেয়ে অবশ্যই একটি দ্রুত সমাধান আছে তবে এটি কাজ করে।
x = cumsum(c(0, runif(100, -1, +1)))
y = cumsum(c(0, runif(100, -1, +1)))
fit = lm(y ~ x)
> names(summary(fit))
[1] "call" "terms"
[3] "residuals" "coefficients"
[5] "aliased" "sigma"
[7] "df" "r.squared"
[9] "adj.r.squared" "fstatistic"
[11] "cov.unscaled"
summary(fit)$r.squaredঅন্য বিকল্পটি হল lm এর পরিবর্তে কর্টেস্টেস্ট ফাংশনটি ব্যবহার করা:
> 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)$p.value
[1] 0.1081731ব্যবহার করুন:
(summary(fit))$coefficients[***num***,4]numসহগ ম্যাট্রিক্সের সারি বোঝায় এমন একটি সংখ্যা কোথায় আছে । এটি আপনার মডেলটিতে আপনার কতগুলি বৈশিষ্ট্য রয়েছে এবং কোনটির জন্য আপনি পি-মানটি বের করতে চান তার উপর নির্ভর করবে। উদাহরণস্বরূপ, আপনার যদি একটি মাত্র পরিবর্তনশীল থাকে তবে ইন্টারসেপ্টের জন্য একটি পি-মান থাকবে যা হবে [1,4] এবং পরেরটি আপনার আসল ভেরিয়েবলের জন্য হবে যা [2,4] হবে। সুতরাং আপনার numহবে 2।
r <- summary(lm(rnorm(10)~runif(10)))না করেন (যেমন কোনও কিছুই প্রদর্শন করে না)।