R 如何在不键入每个变量名的情况下对一系列变量进行回归

我想用数据集中的一组自变量来运行回归。有很多预测因素，所以我不想把它们都写出来。是否有一个符号可以跨越多个列，这样我就不必键入每一列

我的尝试是这样做的（我的预测值是第20列到第43列）：

---

显然，这不起作用，因为

HHdata[，20:43]

是一个数据矩阵，而我确实需要它将数据视为

HHdata[，20]+HHdata[，21]

等。

首先通过粘贴列名生成公式

f <- as.formula(paste('garisktot ~', paste(colnames(HHdata)[20:43], collapse='+')))
modelAllHexSubscales <- lm(f, HHdata)

---

f这里是另一种选择：

# if garisktot is in columns 20:43
modelAllHexSubscales <- lm(garisktot ~ ., data=HHdata[,20:43])
# if it isn't
modelData <- data.frame(HHdata["garisktot"],HHdata[,20:43])
modelAllHexSubscales <- lm(garisktot ~ ., data=modelData)

#如果garisktot在第20:43列中
modelAllHexSubscales您是否尝试过直接使用它，如

> y
[1] 10 19 30 42 51 59 72 78

> X
     [,1] [,2]
[1,]    1  1.0
[2,]    2  3.0
[3,]    3  5.5
[4,]    4  7.0
[5,]    5  9.0
[6,]    6 11.0
[7,]    7 13.0
[8,]    8 16.0

> summary(lm(y ~ X))

Call:
lm(formula = y ~ X)

Residuals:
      1       2       3       4       5       6       7       8 
-0.1396 -1.2774  0.9094  1.4472  0.3094 -1.8283  1.0340 -0.4547 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)   
(Intercept)   -2.647      2.004  -1.321  0.24366   
X1            15.436      3.177   4.859  0.00464 **
X2            -2.649      1.535  -1.726  0.14490   
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1.363 on 5 degrees of freedom
Multiple R-squared:  0.9978,    Adjusted R-squared:  0.9969 
F-statistic:  1124 on 2 and 5 DF,  p-value: 2.32e-07

@乔舒亚-很好！我假设第一个
[]
中的FALSE可以防止生成的对象折叠成向量？@Chase:yes，这是保留列名所必需的。如果只想从
data.frame
中提取列，则不需要coma:
HHdata[20:43]
或
HHdata[“garisktot”]
（您不需要
drop=FALSE
）一个线性版本的ModelAllHexSubscale可能很有趣：我昨天刚刚了解到，如果包含转换，将公式构建为字符串，然后转换为公式的技巧也会起作用。例如，在上面的示例中，将
colnames（HHdata）[20:43]
替换为
sapply（colnames（HHdata）[20:43]，函数（cc）{gsub（“X”，cc，“I（X^2）”，fixed=TRUE）}
。除非使用
“I（）”
，否则会产生误导性的统计输出。了解如何使用
poly
poly
，反过来，如果缺少值，则不起作用，除非使用
raw=TRUE
——但对我来说，结果是这样的（或者你所说的输出是什么意思？）。
> y
[1] 10 19 30 42 51 59 72 78

> X
     [,1] [,2]
[1,]    1  1.0
[2,]    2  3.0
[3,]    3  5.5
[4,]    4  7.0
[5,]    5  9.0
[6,]    6 11.0
[7,]    7 13.0
[8,]    8 16.0

> summary(lm(y ~ X))

Call:
lm(formula = y ~ X)

Residuals:
      1       2       3       4       5       6       7       8 
-0.1396 -1.2774  0.9094  1.4472  0.3094 -1.8283  1.0340 -0.4547 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)   
(Intercept)   -2.647      2.004  -1.321  0.24366   
X1            15.436      3.177   4.859  0.00464 **
X2            -2.649      1.535  -1.726  0.14490   
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1.363 on 5 degrees of freedom
Multiple R-squared:  0.9978,    Adjusted R-squared:  0.9969 
F-statistic:  1124 on 2 and 5 DF,  p-value: 2.32e-07