将predict与lm（）对象列表一起使用

我有我定期进行回归分析的数据。每个“数据块”都适合不同的回归。例如，每个状态可能有不同的函数来解释依赖值。这似乎是一个典型的“拆分-应用-合并”类型的问题，所以我使用的是plyr包。我可以轻松创建一个运行良好的

lm（）

对象列表。然而，我不能完全理解我以后如何使用这些对象在单独的data.frame中预测值

下面是一个完全人为的例子，说明了我正在尝试做的事情：

# setting up some fake data
set.seed(1)
funct <- function(myState, myYear){
   rnorm(1, 100, 500) +  myState + (100 * myYear) 
}
state <- 50:60
year <- 10:40
myData <- expand.grid( year, state)
names(myData) <- c("year","state")
myData$value <- apply(myData, 1, function(x) funct(x[2], x[1]))
## ok, done with the fake data generation. 

require(plyr)

modelList <- dlply(myData, "state", function(x) lm(value ~ year, data=x))
## if you want to see the summaries of the lm() do this:  
    # lapply(modelList, summary)

state <- 50:60
year <- 50:60
newData <- expand.grid( year, state)
names(newData) <- c("year","state") 
## now how do I predict the values for newData$value 
   # using the regressions in modelList? 

#设置一些假数据
种子（1）
funct这是怎么回事

lapply(modelList, predict, newData)

?

编辑：

谢谢你解释这是怎么回事。那么：

newData <- data.frame(year)
ldply(modelList, function(model) {
  data.frame(newData, predict=predict(model, newData))
})

此输出的前15行：

   year state  predict
1    50    50 5176.326
2    51    50 5274.907
3    52    50 5373.487
4    53    50 5472.068
5    54    50 5570.649
6    55    50 5669.229
7    56    50 5767.810
8    57    50 5866.390
9    58    50 5964.971
10   59    50 6063.551
11   60    50 6162.132
12   50    51 5514.825
13   51    51 5626.160
14   52    51 5737.496
15   53    51 5848.832

我认为最难的部分是将
newData
中的每个状态匹配到相应的模型

也许是这样的

predList <- dlply(newData, "state", function(x) {
  predict(modelList[[as.character(min(x$state))]], x) 
})

或者，如果希望将
data.frame
作为输出：

predData <- ddply(newData, "state", function(x) {
  y <-predict(modelList[[as.character(min(x$state))]], x)
  data.frame(id=names(y), value=c(y))
})

以下是我的尝试：

predNaughty <- ddply(newData, "state", transform,
  value=predict(modelList[[paste(piece$state[1])]], newdata=piece))
head(predNaughty)
#   year state    value
# 1   50    50 5176.326
# 2   51    50 5274.907
# 3   52    50 5373.487
# 4   53    50 5472.068
# 5   54    50 5570.649
# 6   55    50 5669.229
predDiggsApproved <- ddply(newData, "state", function(x)
  transform(x, value=predict(modelList[[paste(x$state[1])]], newdata=x)))
head(predDiggsApproved)
#   year state    value
# 1   50    50 5176.326
# 2   51    50 5274.907
# 3   52    50 5373.487
# 4   53    50 5472.068
# 5   54    50 5570.649
# 6   55    50 5669.229

只有
base
R的解决方案。输出格式不同，但所有值都在那里

models <- lapply(split(myData, myData$state), 'lm', formula = value ~ year)
pred4  <- mapply('predict', models, split(newData, newData$state))

models您需要使用
mdply
为每个函数调用提供模型和数据：

dataList <- dlply(newData, "state")

preds <- mdply(cbind(mod = modelList, df = dataList), function(mod, df) {
  mutate(df, pred = predict(mod, newdata = df))
})

dataList也许我遗漏了什么，但我相信
lmList
是这里的理想工具

library(nlme)
ll = lmList(value ~ year | state, data=myData)
predict(ll, newData)


## Or, to show that it produces the same results as the other proposed methods...
newData[["value"]] <- predict(ll, newData)
head(newData)
#   year state    value
# 1   50    50 5176.326
# 2   51    50 5274.907
# 3   52    50 5373.487
# 4   53    50 5472.068
# 5   54    50 5570.649
# 6   55    50 5669.229

库（nlme）
ll=lmList（值~年份|状态，数据=myData）
预测（ll，新数据）
##或者，为了证明它产生的结果与其他提出的方法相同。。。
newData[[“value”]]这正是我一直在做的事情，但这并不是我真正想要的。这适用于每个州的每个模型。我只想将state==50的模型应用于state==50的数据，这就完全解决了问题！谢谢你，穆乔。你能解释一下data.frame
片段的来源吗？它是由ddply自动生成的吗？@JDLong:
。fun
最终在名为
piece
的数据帧上调用。但是，正如@BrianDiggs在聊天中指出的，这不应该被依赖。最好使用匿名函数（参见我的更新）。嗨，如果你能看看我的问题，那就太好了。谢谢@JDLong我能用这种方法得到标准错误吗？@juliamm2011我想你所要做的就是根据这个问题转动
se.fit=TRUE
：请注意，在这个问题得到回答后，我们现在已经8年了，我不再使用
adply
，而是可能会使用
broom
谢谢@ramnath。我真的很喜欢比较BaseR解决方案和那些使用包完成的解决方案。它既帮助我提高了对基本R的理解，也帮助我理解了我在使用plyr之类的抽象时所做的妥协。这就是我通常解决问题的方式——但是使用
dlply
和
mdply
@hadley，你能为这种情况展示一个有效的示例吗？我试着用
mdply
构建一个，但不知道怎么做，因为
.data
必须是矩阵或data.frame，而
predict
的两个参数是
lm
对象和
data.frame
。我无法将
lm
对象列表填充为
data.frame
中的一列。我尝试的另一种方法是，将
.data
制作成一个列表列表，（
.data=list（object=modelsist，newData=newDataList）
其中
newDataList简而言之，将两个列表一起查找嗯，是的，这似乎是最好的！非常好的是
lmList
有自己的
predict（）
方法。
pred3 <- adply(newData, 1,  function(x)
    predict(modelList[[paste(x$state)]], newdata=x))
head(pred3)
#   year state        1
# 1   50    50 5176.326
# 2   51    50 5274.907
# 3   52    50 5373.487
# 4   53    50 5472.068
# 5   54    50 5570.649
# 6   55    50 5669.229

models <- lapply(split(myData, myData$state), 'lm', formula = value ~ year)
pred4  <- mapply('predict', models, split(newData, newData$state))

dataList <- dlply(newData, "state")

preds <- mdply(cbind(mod = modelList, df = dataList), function(mod, df) {
  mutate(df, pred = predict(mod, newdata = df))
})

library(nlme)
ll = lmList(value ~ year | state, data=myData)
predict(ll, newData)


## Or, to show that it produces the same results as the other proposed methods...
newData[["value"]] <- predict(ll, newData)
head(newData)
#   year state    value
# 1   50    50 5176.326
# 2   51    50 5274.907
# 3   52    50 5373.487
# 4   53    50 5472.068
# 5   54    50 5570.649
# 6   55    50 5669.229