用R

我使用R运行判别分析。代码如下：

fit <- lda(group~ A+C1_1+C2+D1a_1+D2_1+D3_1+D3_2+D3_3+E1a_1+E1b_1+E1b_2+E2_1+E3_1+E3_2+E3_3+F2+G_1+G_2+G_3+G_4+H1_1+H2a_1+H2b_1+H3_1+H4_1_1+H1_2+H2a_2+H2b_2+ H3_2+H4_1_2+J1_1+J2_1+J3_1+K1a+K2_1+K2_2+K2_3+K2_4,data=data1)

这是str（数据1）输出：

]]

---

第二，有谁能告诉我如何获得判别分析中使用的变量的显著性水平。

适用于随机生成的无

NA

值的数据集：

set.seed(101)
z <- matrix(runif(210*133),nrow=210)
zz <- data.frame(A=sample(1:2,size=210,replace=TRUE),z)
m <- MASS::lda(A~.,data=zz)

导致

Error in x - group.means[g, ] : non-conformable arrays

（如果我少敲几下，就会收到关于共线性的警告）

首先，尝试删除所有具有任何

NA

值（或具有多个值的变量）的变量，看看是否可以让它工作

对于问题的p值部分：通过谷歌搜索“+r质量lda判别分析”可以得出并建议（并提供链接）这些p值的MANOVA

根据谷歌的一点搜索，看起来人们通常在LDA环境下使用MANOVA和Wilks的lambda进行测试：例如，他说

判别函数分析分为两个步骤：（1）测试 一组判别函数的重要性，以及；（2） 分类。第一 步骤在计算上与MANOVA相同

他们接着展示了一个使用威尔克斯的lambda的例子，尽管

？manova

说Pillai-Bartlett测试（这是

manova

中的默认测试）可能更好。。。在任何情况下，做测试都很容易

> summary(manova(z~zz$A),test="Wilks")
           Df   Wilks approx F num Df den Df Pr(>F)
zz$A        1 0.38164  0.92587    133     76 0.6545
Residuals 208     

---

这当然不是你所要求的——你（我想）要求的是与单个变量相关的显著性水平，而不是与整体测试相关的显著性水平。我可以想象你可以通过适当的多重校正逻辑回归来做些什么，但这正变成一个统计问题，而不是一个R问题。如果你在这里没有得到任何进一步的答案，你可能会考虑问一个适当的重新设定的问题，参考这个问题…

< P>工作是好的，随机生成的数据集，没有<代码> Na <代码>值：

set.seed(101)
z <- matrix(runif(210*133),nrow=210)
zz <- data.frame(A=sample(1:2,size=210,replace=TRUE),z)
m <- MASS::lda(A~.,data=zz)

导致

Error in x - group.means[g, ] : non-conformable arrays

（如果我少敲几下，就会收到关于共线性的警告）

首先，尝试删除所有具有任何

NA

值（或具有多个值的变量）的变量，看看是否可以让它工作

对于问题的p值部分：通过谷歌搜索“+r质量lda判别分析”可以得出并建议（并提供链接）这些p值的MANOVA

根据谷歌的一点搜索，看起来人们通常在LDA环境下使用MANOVA和Wilks的lambda进行测试：例如，他说

判别函数分析分为两个步骤：（1）测试 一组判别函数的重要性，以及；（2） 分类。第一 步骤在计算上与MANOVA相同

他们接着展示了一个使用威尔克斯的lambda的例子，尽管

？manova

说Pillai-Bartlett测试（这是

manova

中的默认测试）可能更好。。。在任何情况下，做测试都很容易

> summary(manova(z~zz$A),test="Wilks")
           Df   Wilks approx F num Df den Df Pr(>F)
zz$A        1 0.38164  0.92587    133     76 0.6545
Residuals 208     

---

这当然不是你所要求的——你（我想）要求的是与单个变量相关的显著性水平，而不是与整体测试相关的显著性水平。我可以想象你可以通过适当的多重校正逻辑回归来做些什么，但这正变成一个统计问题，而不是一个R问题。如果你在这里没有得到任何进一步的答案，你可能会考虑问一个适当的重新拟定的问题，参考这个问题…

< P>另一个潜在的问题是因为数据集面临秩亏问题。也就是说，其中一个类中的某些变量完全相同

如果我们使用“NA”进行检查，但没有，我们还可以运行一个快速测试：

lda(Y ~ Var1, data = Data.Name)

如果可行，我们可以通过在下面的代码块中更改varlist手动找到合适的变量子集：

# a subset of all of your predictors, I recommend start from some simple ones
varlist <- c(1:5, 8:10) 
# get the colnames from the data frame
Col.Name <- colnames(Data.Name)[varlist]
# form a formula
fun <- paste("Response ~", paste(as.character(Col.Name), sep = "=", collapse = " + "))
fun <- formula(fun)
# pass it to the lda function
lda(fun, data = Data.Name)

#作为所有预测因素的子集，我建议从一些简单的预测因素开始
varlist另一个潜在问题是因为数据集面临秩亏问题。也就是说，其中一个类中的某些变量完全相同

如果我们使用“NA”进行检查，但没有，我们还可以运行一个快速测试：

lda(Y ~ Var1, data = Data.Name)

如果可行，我们可以通过在下面的代码块中更改varlist手动找到合适的变量子集：

# a subset of all of your predictors, I recommend start from some simple ones
varlist <- c(1:5, 8:10) 
# get the colnames from the data frame
Col.Name <- colnames(Data.Name)[varlist]
# form a formula
fun <- paste("Response ~", paste(as.character(Col.Name), sep = "=", collapse = " + "))
fun <- formula(fun)
# pass it to the lda function
lda(fun, data = Data.Name)

#作为所有预测因素的子集，我建议从一些简单的预测因素开始
varlist语法错误：上一个
data=data1
之前缺少逗号。抱歉，安德烈！但是我在这里犯的这个错误。我正在运行的代码没有这个错误。请将
str（data1）
的结果粘贴到您的问题中。请注意，如果公式包含数据框中的所有变量，您可以说
lda（group~，data=data1）
。。。是否可能从全局工作区中引入了某个变量的不同版本？@Ben:这不太可能，因为我只使用了此数据集。语法错误：在您的上一个
数据=数据1
之前缺少逗号。抱歉，安德烈！但是我在这里犯的这个错误。我正在运行的代码没有这个错误。请将
str（data1）
的结果粘贴到您的问题中。请注意，如果公式包含数据框中的所有变量，您可以说
lda（group~，data=data1）
。。。是否可能从全局工作区中引入了一个不同版本的变量？@Ben:这不太可能，因为我只使用了这个数据集。是的。成功了。谢谢你，本！实际上，我用NA值保存了一个var。是的。成功了。谢谢你，本！我实际上保留了一个带有NA值的var。很抱歉回答了这么一个老帖子，以防有人面临与我相同的问题，但数据集中没有NAs。谢谢！很抱歉回复了这么一篇老帖子，以防有人遇到和我一样的问题，但数据集中没有NAs。谢谢！