R 如何手动设置线性模型中变量的系数？

在R中，如何设置特定变量的权重，而不是

lm（）

函数中的观察值

上下文如下。我正在尝试为特定的产品建立个人排名系统，比如手机。我可以以价格为因变量，以屏幕大小、内存、操作系统等其他特性为自变量，建立线性模型。然后，我可以用它来预测手机的实际成本（相对于公布的价格），从而找到最佳的价格/优度系数。这是我已经做过的

现在我想突出显示一些只对我重要的功能。例如，我可能需要一个具有大内存的手机，因此我想赋予它更高的权重，以便线性模型针对内存变量进行优化

R中的

lm（）

函数具有

权重

参数，但这些是观察值的权重，而不是变量（如果这是错误的，请更正我）。我还试着玩弄公式，但只得到了解释错误。是否有方法将变量的权重合并到

lm（）

当然，

lm（）

函数不是唯一的选项。如果您知道如何使用其他类似的解决方案（例如

glm（）

），这也很好

UPD.经过几次评论后，我明白我对这个问题的思考方式是错误的。通过调用

lm（）

获得的线性模型为训练示例提供了最佳系数，并且没有办法（也没有必要）改变变量的权重，很抱歉我造成了混淆。我实际上在寻找的是改变现有线性模型中系数的方法，以手动方式使某些参数比其他参数更重要。继续上一个示例，假设我们得到了以下价格公式：

price = 300 + 30 * memory + 56 * screen_size + 12 * os_android + 9 * os_win8

这个公式描述了价格和电话参数之间相关性的最佳线性模型。但是，现在我想手动将

内存

变量前面的数字30更改为，例如，60，因此它变为：

price = 300 + 60 * memory + 56 * screen_size + 12 * os_android + 9 * os_win8

当然，这个公式不再反映价格和手机参数之间的最佳关系。此外，因变量并没有显示实际的价格，只是一些善良的价值，考虑到记忆对我的重要性是普通人的两倍（基于第一个公式的系数）。但这种善良的价值（或者更准确地说，是分数的价值）正是我所需要的——有了它，我可以找到价格最好的（在我看来）手机

希望所有这些都有意义。现在我有一个（可能很简单）问题。如何手动设置使用

lm（）

获得的现有线性模型中的系数？也就是说，我在寻找这样的东西：

coef(model)[2] <- 60

---

coef（model）[2]看起来您正在进行优化，而不是模型拟合（尽管模型拟合中可能存在优化）。您可能需要类似于
optim
函数的功能，或者研究线性或二次规划（
linprog
和
quadprog
包）

如果您坚持使用建模工具，如
lm
，则使用公式中的
offset
参数指定您自己的乘数，而不是计算一个。
看起来您正在进行优化，而不是模型拟合（尽管模型拟合中可能存在优化）。您可能需要类似于
optim
函数的功能，或者研究线性或二次规划（
linprog
和
quadprog
包）

如果您坚持使用建模工具，如
lm
，则使用公式中的
offset
参数来指定您自己的乘数，而不是计算一个。
以下代码有点复杂，因为
lm（）
最小化剩余平方和，并且使用固定的非最佳系数，它不再是最小值，因此，这与
lm（）
试图做的是背道而驰的，唯一的方法就是修复所有剩余的系数

要做到这一点，我们必须先知道无约束模型的系数。所有的调整都必须通过改变模型的公式来完成，例如，我们有
price~内存+屏幕大小
，当然还有一个隐藏的截取。现在，无论是直接更改数据还是使用
I（c*内存）
都不是一个好主意
I（c*memory）
也类似于数据的临时更改，但是通过转换变量只更改一个系数要困难得多

因此，首先我们将
price~内存+屏幕大小
更改为
price~偏移量（c1*内存）+偏移量（c2*屏幕大小）
。但我们还没有修改截距，截距现在将尝试最小化剩余平方和，并且可能与原始模型不同。最后一步是删除截距并添加新的伪变量，即与其他变量具有相同数量的观测值：

price~offset（c1*内存）+offset（c2*屏幕大小）+rep（c0，长度（内存））-1

# Function to fix coefficients
setCoeffs <- function(frml, weights, len){
  el <- paste0("offset(", weights[-1], "*", 
               unlist(strsplit(as.character(frml)[-(1:2)], " +\\+ +")), ")")
  el <- c(paste0("offset(rep(", weights[1], ",", len, "))"), el)                                 
  as.formula(paste(as.character(frml)[2], "~", 
                   paste(el, collapse = " + "), " + -1"))
}
# Example data
df <- data.frame(x1 = rnorm(10), x2 = rnorm(10, sd = 5), 
                 y = rnorm(10, mean = 3, sd = 10))
# Writing formula explicitly 
frml <- y ~ x1 + x2
# Basic model
mod <- lm(frml, data = df)
# Prime coefficients and any modifications. Note that "weights" contains 
# intercept value too
weights <- mod$coef
# Setting coefficient of x1. All the rest remain the same
weights[2] <- 3
# Final model
mod2 <- update(mod, setCoeffs(frml, weights, nrow(df)))
# It is fine that mod2 returns "No coefficients"

下面的代码有点复杂，因为
lm（）
最小化剩余平方和，并且对于固定的非最优系数，它不再是最小值，因此这与
lm（）
试图做的是相反的，唯一的方法是也固定所有剩余系数

要做到这一点，我们必须先知道无约束模型的系数。所有的调整都必须通过改变模型的公式来完成，例如，我们有
price~内存+屏幕大小
，当然还有一个隐藏的截取。现在，无论是直接更改数据还是使用
I（c*内存）
都不是一个好主意
I（c*memory）
也类似于数据的临时更改，但是通过转换变量只更改一个系数要困难得多

所以首先我们改变
price~内存+屏幕
# Data for forecasting with e.g. price unknown
df2 <- data.frame(x1 = rpois(10, 10), x2 = rpois(5, 5), y = NA)
mat <- model.matrix(frml, model.frame(frml, df2, na.action = NULL))
# Forecasts
rowSums(t(t(mat) * weights))