如何测试R中预测变量的所有子集

我希望以编程方式在r中构建glms，类似于这里所描述的，只是测试所有可能的预测变量子集

对于这样的数据集，结果变量z：

是否有一种自动构建模型的方法：

m1 <- glm(z ~ a, data = data)
m2 <- glm(z ~ b, data = data)
m3 <- glm(z ~ c, data = data)
m4 <- glm(z ~ a + b, data = data)
m5 <- glm(z ~ a + c, data = data)
m6 <- glm(z ~ b + c, data = data)
m7 <- glm(Z ~ a + b + c, data = data)

我知道MuMIn包的疏通函数可以做到这一点，但是我得到一个错误，说我包含了太多的变量，所以我正在寻找独立于疏通函数的方法。我尝试了grid.expand和combn、map和lapply等我在StackOverflow上找到的答案的变体，但似乎无法将它们组合在一起。理想情况下，模型输出（包括BIC）将存储在可排序的数据帧中

---

任何帮助都将不胜感激

假设您注意到@Maurits Evers的评论，您可以通过lapply和combn的组合实现您想要做的事情

---

从统计学的角度测试所有可能的预测变量子集，这是一个非常危险的游戏。我建议不要那样做；相反，我建议研究特征选择方法。我当然同意！我试图在R中复制的代码最初是由其他人为Eviews编写的，如本文所述。感谢您提供有关功能选择的提示！我当然会考虑到这一点，因为我正试图了解他们做了什么。如果他们真的这样做了，因为报纸是收费的，我会尽量远离它。我不知道SDA会做什么，但一般来说，为了回答您的问题，一个好的方法是对一切进行建模，例如在完全贝叶斯模型中，并对参数使用正则化先验。

m1 <- glm(z ~ a, data = data)
m2 <- glm(z ~ b, data = data)
m3 <- glm(z ~ c, data = data)
m4 <- glm(z ~ a + b, data = data)
m5 <- glm(z ~ a + c, data = data)
m6 <- glm(z ~ b + c, data = data)
m7 <- glm(Z ~ a + b + c, data = data)

cols <- names(data)[-1]
lapply(seq_along(cols), function(x) combn(cols, x, function(y) 
       glm(reformulate(y, "z"), data = data), simplify = FALSE))