如何从一个简单的线性回归模型中提取p值(单个解释变量的系数的显著性为非零)和r平方值?例如……
x = cumsum(c(0, runif(100, -1, +1)))
y = cumsum(c(0, runif(100, -1, +1)))
fit = lm(y ~ x)
summary(fit)
我知道summary(fit)显示了p值和r平方值，但我希望能够将它们插入到其他变量中。
当前回答
注意，summary(fit)生成了一个包含您需要的所有信息的对象。se t和p向量都存储在里面。通过选择系数矩阵的第4列来获得p值(存储在summary对象中):
summary(fit)$coefficients[,4]
summary(fit)$r.squared
尝试str(summary(fit))查看该对象包含的所有信息。
编辑:我误解了蔡斯的答案，它基本上告诉你如何得到我在这里给出的东西。
其他回答
虽然上面的两个答案都很好，但提取对象部分的过程更一般。
在许多情况下，函数返回列表，并且可以使用str()访问各个组件，str()将打印组件及其名称。然后您可以使用$操作符访问它们，即myobject$componentname。
在lm对象的情况下，有许多预定义的方法可以使用，如coef()、remainder()、summary()等，但你不会总是那么幸运。
通过调用str(summary(fit))可以看到summary()返回的对象的结构。每个片段都可以使用$访问。F统计量的p值更容易从方差分析返回的对象中得到。
简单地说，你可以这样做:
rSquared <- summary(fit)$r.squared
pVal <- anova(fit)$'Pr(>F)'[1]
使用:
(summary(fit))$coefficients[***num***,4]
其中num是一个数字，表示系数矩阵的行。这取决于你的模型中有多少特征，以及你想为哪一个提取p值。例如，如果你只有一个变量，那么截距的p值将是[1,4]，下一个是你的实际变量的p值将是[2,4]。所以你的num是2。
另一个选择是使用cor.test函数，而不是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)$p.value
[1] 0.1081731
r-squared:您可以直接从摘要对象summary(fit)$r.squared返回r-squared值。有关可以直接提取的所有项的列表，请参阅名称(summary(fit))。
模型p值:如果要得到整体回归模型的p值， 这篇博文概述了一个返回p值的函数:
lmp <- function (modelobject) {
if (class(modelobject) != "lm") stop("Not an object of class 'lm' ")
f <- summary(modelobject)$fstatistic
p <- pf(f[1],f[2],f[3],lower.tail=F)
attributes(p) <- NULL
return(p)
}
> lmp(fit)
[1] 1.622665e-05
在只有一个预测因子的简单回归的情况下，模型p值和系数p值将是相同的。
系数p值:如果你有一个以上的预测器，那么上面将返回模型p值，系数p值可以使用以下方法提取:
summary(fit)$coefficients[,4]
或者，您可以以类似于上面的摘要对象的方式从方差分析(fit)对象中获取系数的p值。
