Uneingeschränkte Design-Matrix für faktorielle Experimente in R

Question

Ich möchte eine unbeschränkte Design-Matrix für faktorielle Experimente in R erstellen und der folgende Code gibt mir die gewünschte Matrix. Der Code erfordert jedoch einen separaten model.matrix-Befehl für jeden Faktor sowie für den Intercept-Ausdruck. Ich bin gespannt, ob das gleiche Ergebnis mit einem einzigen Liner erzielt werden kann. Dank

y <- c(55, 56, 57, 53, 54, 55, 51, 52, 53, 61, 62, 63) 
N <- gl(n = 2, k = 6, length = 2 * 6 
     , labels = c("Low", "High") 
     , ordered = FALSE) 
P <- gl(n = 2, k = 3, length = 2 * 6 
     , labels = c("Low", "High") 
     , ordered = FALSE) 
Data <- data.frame(y, N, P) 

X <- 
    cbind(
     model.matrix(object = y ~ 1,  data = Data) 
    , model.matrix(object = y ~ -1 + N, data = Data) 
    , model.matrix(object = y ~ -1 + P, data = Data) 
    , model.matrix(object = y ~ -1 + N:P, data = Data) 
    ) 

print(x = X) 

Answer 1

Ich denke, der Schlüssel alle Kontraste auf FALSCH gesetzt ist. Ich denke, technisch könnte das ein One-Liner sein ... es wäre nur eine sehr lange Schlange.

model.matrix(y ~ N +P + N:P, data=Data, 
     contrasts.arg = lapply(Data[,sapply(Data, is.factor)], 
          contrasts, contrasts=FALSE)) 


    (Intercept) NLow NHigh PLow PHigh NLow:PLow NHigh:PLow NLow:PHigh NHigh:PHigh 
1   1 1  0 1  0   1   0   0   0 
2   1 1  0 1  0   1   0   0   0 
3   1 1  0 1  0   1   0   0   0 
4   1 1  0 0  1   0   0   1   0 
5   1 1  0 0  1   0   0   1   0 
6   1 1  0 0  1   0   0   1   0 
7   1 0  1 1  0   0   1   0   0 
8   1 0  1 1  0   0   1   0   0 
9   1 0  1 1  0   0   1   0   0 
10   1 0  1 0  1   0   0   0   1 
11   1 0  1 0  1   0   0   0   1 
12   1 0  1 0  1   0   0   0   1 
attr(,"assign") 
[1] 0 1 1 2 2 3 3 3 3 
attr(,"contrasts") 
attr(,"contrasts")$N 
    Low High 
Low 1 0 
High 0 1 

attr(,"contrasts")$P 
    Low High 
Low 1 0 
High 0 1 

Answer 2

kein Motto, aber vielleicht etwas einfacher:

contrasts(N, nlevels(N)) <- diag(nlevels(N)) 
contrasts(P, nlevels(P)) <- diag(nlevels(P)) 
Data2 <- data.frame(y, N, P) 
X2 <- model.matrix(y ~ 1 + N + P + N:P, data=Data2)