R 当与lm一起使用并且想要减少迭代时，Lappy遗漏了一个变量名？

我使用了

melt

将我的32列合并为一列，将它们的值合并为一列，将自变量合并为一列

然后我想使用

lappy

生成一个

lm

来匹配

年份物种农田

我有两种方法想这样做
1.取一个变量名的

lm

，即所有年份的椋鸟值（1994:2013）
2.获取所有变量名称的

lm

，即椋鸟、云雀、蓝翼鸟。。。。农田价值每年都在一起

我的数据示例：

structure(list(Years = c(1994L, 1994L, 1995L, 1996L, 1997L, 1998L
), Species = structure(1:6, .Label = c("Starling", "Skylark", 
"YellowWagtail", "Kestrel", "Yellowhammer", "Greenfinch"), class = "factor"), 
    Farmland = c(13260L, 13520L, 8129L, 15575L, 18686L, 18541L
    )), row.names = c(1L, 20L, 40L, 60L, 80L, 100L), class = "data.frame")

另一个例子：

'data.frame':   570 obs. of  3 variables:
 $ Years   : int  1994 1995 1996 1997 1998 1999 2000 2002 2003 2004 ...
 $ Species : Factor w/ 30 levels "Starling","Skylark",..: 1 1 1 1 1 1 1 1 1 1 ...
 $ Farmland: int  13260 15551 16335 18997 18571 18376 15770 16054 15101 16276 ...

问题1的lm代码：

df_try <- lapply(1:n, function(x) lm(Farmland ~ Years + Species, work_practice))

这方面的问题；缺少Starling（第一个变量名），结果不需要年份（如何删除），调用时会重复19次，我认为这是因为数据帧。有没有办法只叫它一次

---

当变量（物种）在列中时，我尝试过这样做，但输出只调用一个变量19次…

这里的问题是，如果

r

必须使用

物种中的所有回归器来估计模型，那么我们将达到完美的共线性。我将使用
data.table:：dcast
将
物种
转化为假人：

df <- structure(list(Years = c(1994L, 1994L, 1995L, 1996L, 1997L, 1998L
), Species = structure(1:6, .Label = c("Starling", "Skylark", 
                                       "YellowWagtail", "Kestrel", "Yellowhammer", "Greenfinch"), class = "factor"), 
Farmland = c(13260L, 13520L, 8129L, 15575L, 18686L, 18541L
)), row.names = c(1L, 20L, 40L, 60L, 80L, 100L), class = "data.frame") 

dfDummies <- suppressWarnings(data.table::dcast(df, Years + Farmland ~ Species, fun.aggregate=function(x) 1, fill=0))

请注意，假人是如何相互排斥的：

> rowSums(dfDummies[, as.character(df[["Species"]])])
[1] 1 1 1 1 1 1

这意味着截距可以写成
种类
二进制变量的线性组合
R
知道这一点，它会悄悄地从估计中删除其中一列——完美的共线性使得不可能找到OLS问题的唯一解决方案

关于完美共线性的更多信息

我不知道您为什么在这里使用
lappy（）
。如果您只有一个
data.frame
，并且您对使用所有观测值估计特定模型感兴趣，那么您可以运行：

lm(formula = Farmland ~ Years + Species, df)

> rowSums(dfDummies[, as.character(df[["Species"]])])
[1] 1 1 1 1 1 1

lm(formula = Farmland ~ Years + Species, df)