合并估计-带broom和tidyverse的回归模型

我正在与一个团队合作，一些人正在使用SPSS替换缺失病例（多重插补），然后分析数据。当SPSS输入新值时，它会报告每个数据集结果和一个汇总结果，这与所有结果的平均值不同

现在，我使用R来处理这个在SPSS上创建的“多重插补数据集”。我正试图以SPSS报告的相同方式从回归中获得汇总估计值。感谢这篇文章，我可以使用broom软件包运行几个回归模型并显示每个估计。问题在于：有些统计数据是完全不同的。例如，使用扫帚时的t值高于SPSS报告的值。 请看一下这个SPSS输出

为了简化这项工作，假设我想对每个组的星星上的价格进行回归，然后显示一行汇总估计值（t检验结果和p值）

代码：

库（扫帚）
d%
do（型号=lm（价格~星级，数据=））
已安装的\u型号%>%整齐（型号）
已安装的\u型号%>%浏览（型号）

如果您想更好地了解SPSS正在做什么，请检查此实际输出。合并的结果并不是所有结果的平均值。

请尽管说这个问题无关紧要，但不要否定这篇文章。其他人可能会有相同的问题，我会提供所有代码，让您再次运行分析

---

非常感谢

我不是100%确定您所说的“合并”估算是什么意思——这是否仅仅意味着您希望在不分组的情况下运行模型

如果是这样，那么这应该是你想要的

d <- data.frame(group=rep(1:5, each = 20),
                price=rnorm(100,1000,10),
                stars=rnorm(100,3,1)
               )

fitted_models <- 
    d %>% 
        group_by(group) %>% 
        do(tidy(lm(data=., formula=price ~ stars))) %>%
        ungroup %>%
        mutate(group=group %>% as.character)


pooled_model <-
    d %>%
    do(tidy(lm(data=., formula=price ~ stars))) %>%
    mutate(group='pooled')

all_results <- bind_rows(fitted_models, pooled_model) %>% select(group, everything())

all_results

d%
do（整洁（lm（数据=，公式=价格~星星））%>%
解组%>%
变异（组=组%>%as.character）
合并的_模型%
do（整洁（lm（数据=，公式=价格~星星））%>%
突变（group='pooled'）
所有结果%select（组，所有内容（））
所有结果

谢谢，@curt-f，但是这个脚本高估了统计数据和p.value。在真实的数据集中，每个模型都有一个“t统计量”，如9，但合并模型有42。我不知道如何解决这个问题。你…吗？谢谢你能用一个公式或方程式来编辑你的问题吗？亲爱的，@curt-f，我会编辑这个问题。但是，不幸的是，我不知道SPSS是如何得出这个结果的。我不认为在你能更好地指定你想要的是什么之前，你会在你的R代码上得到帮助​ 希望它这样做。好的，@curt-f，我将再次编辑初始文本。谢谢。我想你有两个问题不属于一起。第一个问题是，“当SPSS计算“汇总”结果时，它在做什么？”这是交叉验证的问题，而不是堆栈溢出的问题。第二个问题是“如何在R中执行XYZ”？这可能是一个问题，取决于XYZ到底是什么。你是对的，@CurtF。我把两个问题合并成一个问题，也许这不是最好的主意。

d <- data.frame(group=rep(1:5, each = 20),
                price=rnorm(100,1000,10),
                stars=rnorm(100,3,1)
               )

fitted_models <- 
    d %>% 
        group_by(group) %>% 
        do(tidy(lm(data=., formula=price ~ stars))) %>%
        ungroup %>%
        mutate(group=group %>% as.character)


pooled_model <-
    d %>%
    do(tidy(lm(data=., formula=price ~ stars))) %>%
    mutate(group='pooled')

all_results <- bind_rows(fitted_models, pooled_model) %>% select(group, everything())

all_results