从R中的lm提取标准化系数

我为这个愚蠢的问题道歉…但我似乎找不到一个简单的解决办法

我想从拟合线性模型中提取标准化系数（在R中） 必须有一个简单的方法或功能来做到这一点。你能告诉我是什么吗

编辑（以下是一些评论）： 关于我的问题，我应该提供更多的上下文信息。我在为一群心理学家讲授一个介绍性的R工作坊。对于他们来说，没有能力获得标准化系数的线性模型就好像根本没有运行模型一样（好吧，这有点夸张，但你明白了）。当我们做了一些回归时，这是他们的第一个问题，这（我的错）是我没有预料到的（我不是心理学家）。当然我可以自己编程，当然我也可以寻找为我编程的软件包。但同时，我确实认为这是线性模型的一种基本和常见的必需功能，我认为应该有一个基本功能，它不需要安装越来越多的软件包（这对于初学者来说是一个困难）。所以我问（这也是一个向他们展示如何在他们需要帮助时获得帮助的机会）

---

对于那些认为我问了一个愚蠢的问题的人，我深表歉意，对于那些花时间回答这个问题的人，我深表感谢。

在

QuantPsyc

软件包中有一个方便的函数，名为

lm.beta

。然而，我认为最简单的方法就是将变量标准化。然后，系数将自动成为标准化的“β”系数（即标准偏差系数）

比如说,

 lm(scale(your.y) ~ scale(your.x), data=your.Data)

women2 <- lapply(women, scale) # standardizes all variables

mod3 <- lm(weight ~ height, data=women2)
coef_alt <- coef(mod3)[2]
coef_alt
> height 
  0.9955 

all.equal(coef_lmbeta, coef_alt)
[1] TRUE

将给你标准化系数

它们真的是一样的吗？以下说明两者是一样的：

library("QuantPsyc")
mod <- lm(weight ~ height, data=women)
coef_lmbeta <- lm.beta(mod)

coef_lmbeta
> height 
  0.9955 

mod2 <- lm(scale(weight) ~ scale(height), data=women)
coef_scale <- coef(mod2)[2]

coef_scale
> scale(height) 
  0.9955 

all.equal(coef_lmbeta, coef_scale, check.attributes=F)
[1] TRUE

如何方便地标准化多个变量？如果您不想标准化数据集中的所有变量，您可以选择公式中出现的所有变量。例如，现在参考

mtcars

-数据集（因为

女性

只包含

身高

和

体重

）：

假设以下是我要估计的回归模型：

 modelformula <- mpg ~ cyl + disp + hp + drat + qsec

我们可以使用它对数据集进行相应的子集划分。比如说,

mycars <- lapply(mtcars[, all.vars(modelformula)], scale) 

这是因为当您仅从标准数据帧中提取一列时，R将重新生成一个向量而不是数据帧

drop=F

将防止这种情况发生。如果使用了例如

tibbles

，这也不会成为问题。见例

class(mtcars[, "mpg"])
[1] "numeric"
class(mtcars[, "mpg", drop=F])
[1] "data.frame"
library(tidyverse)
class(as.tibble(mtcars)[, "mpg"])
[1] "tbl_df"     "tbl"        "data.frame"

数据帧中缺少值的另一个问题（注释中的积分再次转到@JerryT）：默认情况下，R的

lm

删除至少缺少一列的所有行<另一方面，“代码>比例”将采用所有未缺失的值，即使观测值在不同的列中缺失值。如果要模拟

lm

的操作，可以先删除所有缺少值的行，如下所示：

all_complete <- complete.cases(df)
df[all_complete,]

all_complete只需使用
colnames（data）
和
lapply
或
sapply


例如：

lapply(data[, colnames(data)], scale)

Package
lm.beta
有几个用于标准化系数的函数，包括
lm.beta（）
，它需要一个
lm
对象：

res <- lm(y~x)
lm.beta(res) 

res试试这个我喜欢的函数
stdcoeff。它将输入变量重新调整为标准偏差的两倍，以便于解释。它的
标准化
功能可以在
arm
软件包中找到。@CarlWitthoft，您在帮助文件的哪里看到这个问题的解决方案？不管@davidernburg的评论还是下面的
QuantPsyc:：lm.beta
答案是正确的，这取决于OP所说的“标准化”（他们没有具体说明）oops是什么意思，实际上我对“几个定义”的理解是错误的——对不起。我读@DavidArenburg的评论读得太快了（我不记得
lm
在那里存储了模型框架）；他的评论与
QuantPsyc:：lm.beta
whut evvarrr.中的内部代码相同。。很抱歉在这里发牢骚。请注意，这或多或少就是
arm:：standarding
所做的（尽管它提供了一些灵活性，以确定响应是否按比例缩放，并使用假人进行一些更为奇特/非标准的操作，用于分类预测）。
lm.beta
方法的优点是它不需要重新拟合模型。标准化多个变量的
dplyr
替代方法是：
mycars%mutate\u each（funs（scale），all.vars（model.formula））
，我相信。确保在scale之前删除na（如果缺失），lappy（mtcars[，all.vars（modelformula），drop=F]，scale）如果modelformula中只有一个变量，那么还有一个lm.beta包，它执行以下操作：same@coffeinjunky你在这里是一位非常出色的老师，并且解释得非常好。我认为Lappy应用了按列缩放，所以例如，cyl在第1行有NA，disp在第2行有NA。当一个人做lm时，第1行和第2行都会因为NA而被删除，但是scale只会删除cyl的第1行，disp的第2行。所以我认为最好在scale之前删除na，以与lm的na.action（假设na.exclude或na.omit）@JerryT Fair point保持一致。我没想过！感谢您的解释。将在短时间内更新！如果您的任何输入都不是标量，这将非常不方便。
lapply(data[, colnames(data)], scale)

res <- lm(y~x)
lm.beta(res)