R 为什么当我使用一个观察值运行回归时，`fastLm（）`会返回结果？
为什么当我使用一个观察值运行回归时，R 为什么当我使用一个观察值运行回归时，`fastLm（）`会返回结果？,r,rcpp,armadillo,R,Rcpp,Armadillo,为什么当我使用一个观察值运行回归时，fastLm（）会返回结果 在下面的例子中，为什么lm（）和fastLm（）的结果不相等 library(Rcpp) library(RcppArmadillo) library(data.table) set.seed(1) DT <- data.table(y = rnorm(5), x1 = rnorm(5), x2 = rnorm(5), my.key = 1:5) # y x1 x2 my
fastLm（）lm（）fastLm（）library(Rcpp)
library(RcppArmadillo)
library(data.table)
set.seed(1)
DT <- data.table(y = rnorm(5), x1 = rnorm(5), x2 = rnorm(5), my.key = 1:5)
# y x1 x2 my.key
# 1: -0.6264538 -0.8204684 1.5117812 1
# 2: 0.1836433 0.4874291 0.3898432 2
# 3: -0.8356286 0.7383247 -0.6212406 3
# 4: 1.5952808 0.5757814 -2.2146999 4
# 5: 0.3295078 -0.3053884 1.1249309 5
lm(y ~ 1 + x1 + x2, data = DT[my.key == 1])
# Coefficients:
# (Intercept) x1 x2
# -0.6265 NA NA
fastLm(X = model.matrix(y ~ 1 + x1 + x2, data = DT[my.key == 1]), y = DT[my.key == 1]$y)
# Coefficients:
# (Intercept) x1 x2
# -0.15825 0.12984 -0.23924
model.matrix(y ~ 1 + x1 + x2, data = DT[my.key == 1])
# (Intercept) x1 x2
# 1 -0.8204684 1.511781
# attr(,"assign")
# [1] 0 1 2
DT[my.key == 1]$y
# [1] -0.6264538
库中，我也得到了相同的行为：
src <- '
Rcpp::List fLmTwoCastsOnlyCoefficients(Rcpp::NumericMatrix Xr, Rcpp::NumericVector yr) {
int n = Xr.nrow(), k = Xr.ncol();
arma::mat X(Xr.begin(), n, k, false);
arma::colvec y(yr.begin(), yr.size(), false);
arma::colvec coef = arma::solve(X, y);
return Rcpp::List::create(Rcpp::Named("coefficients")=trans(coef));
}
'
cppFunction(code=src, depends="RcppArmadillo")
XX <- model.matrix(y ~ 1 + x1 + x2, data = DT[my.key == 1])
YY <- DT[my.key == 1]$y
fLmTwoCastsOnlyCoefficients(XX, YY)$coef
# [,1] [,2] [,3]
# [1,] -0.1582493 0.1298386 -0.2392384
因为fastLm
不担心排名不足；这是你为速度付出的部分代价
从？fastLm
：
。。。Armadillo可以比stats包中的函数更快地执行类似lm.fit的操作，这是因为Armadillo使用QR分解的Lapack版本，而stats包使用修改的Linpack版本。因此Armadillo使用3级BLAS代码，而stats包使用1级BLAS。然而，Armadillo要么失败，要么更糟，在秩缺陷模型矩阵上产生完全错误的答案，而由于修改了Linpack代码，来自stats包的函数将正确处理它们
看看代码，代码的核心是
arma::colvec coef = arma::solve(X, y);
这会进行QR分解。我们可以将lmFast
结果与来自base R的qr（）
进行匹配（这里我不仅仅使用base R构造，而不是依赖数据。表
）：
因为fastLm
不担心排名不足；这是你为速度付出的部分代价
从？fastLm
：
。。。Armadillo可以比stats包中的函数更快地执行类似lm.fit的操作，这是因为Armadillo使用QR分解的Lapack版本，而stats包使用修改的Linpack版本。因此Armadillo使用3级BLAS代码，而stats包使用1级BLAS。然而，Armadillo要么失败，要么更糟，在秩缺陷模型矩阵上产生完全错误的答案，而由于修改了Linpack代码，来自stats包的函数将正确处理它们
看看代码，代码的核心是
arma::colvec coef = arma::solve(X, y);
这会进行QR分解。我们可以将lmFast
结果与来自base R的qr（）
进行匹配（这里我不仅仅使用base R构造，而不是依赖数据。表
）：
“然而，Armadillo将失败，或者更糟的是，在秩缺陷模型矩阵上产生完全错误的答案，而由于修改了Linpack代码，来自stats包的函数将正确处理它们。”“然而，Armadillo要么失败，要么更糟，在秩缺陷模型矩阵上产生完全错误的答案，而由于修改了Linpack代码，来自stats包的函数将正确处理它们。“希望这是唯一的原因，对吧？因此，如果我检查X'X的确定性，将阻止我考虑此类情况。即，库（matrixcalc）；是肯定的。（交叉PROD（XX））<代码>是代码> false <代码>，而<代码>是。肯定（交叉PROD（XX））< /代码>是代码>真< /代码>，在这种情况下，我不考虑第一种情况（XX只有一个观察，而XX只有5个）。我想不是，但我不知道。这是arma:：solve
的文档。。。FWIW RcppEigen包在其fastLm（）示例中有一组更完整的分解。但在这里，本雄辩地说：“这是你为速度付出的代价的一部分。”。我们给你足够的绳子吊死你自己。如果你想保护自己，请坚持使用lm（）
或lm.fit（）
，或者创建一个混合的“快速但安全”版本。希望这是唯一的原因，对吧？因此，如果我检查X'X的确定性，将阻止我考虑此类情况。即，库（matrixcalc）；是肯定的。（交叉PROD（XX））<代码>是代码> false <代码>，而<代码>是。肯定（交叉PROD（XX））< /代码>是代码>真< /代码>，在这种情况下，我不考虑第一种情况（XX只有一个观察，而XX只有5个）。我想不是，但我不知道。这是arma:：solve
的文档。。。FWIW RcppEigen包在其fastLm（）示例中有一组更完整的分解。但在这里，本雄辩地说：“这是你为速度付出的代价的一部分。”。我们给你足够的绳子吊死你自己。如果您想保护自己，请坚持使用lm（）
或lm.fit（）
，或创建一个混合的“快速但安全”版本。
arma::colvec coef = arma::solve(X, y);
set.seed(1)
dd <- data.frame(y = rnorm(5),
x1 = rnorm(5), x2 = rnorm(5), my.key = 1:5)
X <- model.matrix(~1+x1+x2, data=subset(dd,my.key==1))
qr(X,dd$y)
## $qr
## (Intercept) x1 x2
## 1 1 -0.8204684 1.511781
library(Matrix)
rankMatrix(X) < ncol(X) ## TRUE
X1 <- model.matrix(~1+x1+x2, data=dd)
rankMatrix(X1) < ncol(X1) ## FALSE