Kombination von Datenrahmen Spalten in Regression r

Question

Ich habe einen Datenrahmen mit Spaltennamen A, B, C, D mit numerischen Werten. Ich versuche, ein lineares Regressionsmodell zu erzeugen, das Variablen verwendet und alle mögliche Kombination versucht, wie A, A + B, A + C, B, B + C ....
Ich habe Probleme, Kombinationen mit Datenrahmen zu erzeugen.

Data frame 
DependentVar A B C D 

Ich versuche, etwas zu erzeugen:
Kombinationen von unabhängigen Variablen wie:

var <- A,B,C,D,A+B,A+C,A+D,B+C,B+D,C+D,A+B+C,A+B+D and so on.. 
for (v in var){ 
models <- lm (DependentVar ~ eval(parse(text=v)), data=data) 
r2 <- append(summary(models)$r.squared) 
} 

Output wie Datenrahmen:

Variable combination Model R2  
A      0.8 
B      0.7 
. 
. 

und so weiter
Jede Hilfe wird sehr geschätzt!

Answer 1

Sie haben die richtige Idee, aber Sie können die Ergebnisse nach 1) verbessern mit lapply() und 2) mit as.formula()

set.seed(1) 
d<-data.frame(DV=rnorm(100,mean=100,sd=10),A=rnorm(100,mean=100,sd=10),B=rnorm(100,mean=100,sd=10)) 

formula_list<-list(as.formula('DV ~ A'), 
        as.formula('DV ~ B'), 
        as.formula('DV ~ A + B')) 

lapply(formula_list, FUN = lm, data=d) 

Um den Ausgangsdatenrahmen zu erhalten, können Sie das gleiche verwenden Maschinerie, aber anstelle von FUN = lm, setze FUN =, um ein Wrapper für lm zu sein, der die Post-Regression-Verarbeitung durchführt.

lm_wrapper<-function(formula, data){ 
    reg_res<-lm(formula, data=data) 
    rsq<-summary(reg_res)$r.squared 
    return(data.frame(formula=as.character(formula)[3], rsq=rsq)) 
} 

all_res<-lapply(formula_list, FUN = lm_wrapper, data=d) 

all_res_stack<-do.call('rbind',all_res) 

Hier ist, was all_res_stack wie folgt aussieht:

> all_res_stack 
    formula   rsq 
1  A 0.004809535 
2  B 0.026144428 
3 A + B 0.026821577 

Answer 2

set.seed(123) 

mydata <- data.frame(A = rnorm(10, mean = 5), 
        B = rnorm(10, mean = 10), 
        C = rnorm(10, sd = 2), 
        D = rnorm(10, sd = 5)) 
mydata$DependentVar <- with(mydata, A + B + C + D + rnorm(10)) 

# expand.grid makes a data.frame, where each possible combination of values is 
# given a row. Here, each row states which variables to use in a model. Remove 
# the row where no variables are used. 
independent_vars <- c('A', 'B', 'C', 'D') 
include_choices <- lapply(independent_vars, function(x) c(TRUE, FALSE)) 
names(include_choices) <- independent_vars 

combos <- do.call('expand.grid', args = include_choices) 

combos <- combos[apply(combos, 1, any), ] 

# Use combos to construct each model 
predict_some_cols <- function(which_cols) { 
    model_vars <- c('DependentVar', colnames(combos)[which_cols]) 
    lm(DependentVar ~ ., data = mydata[, model_vars]) 
} 

model_list <- apply(combos, 1L, predict_some_cols) 

# A really weird-looking way makes names, please somebody improve this 
names(model_list) <- apply(combos, 1, 
          FUN = function(which_cols) { 
          paste0(colnames(combos)[which_cols], 
            collapse = ' + ') 
          }) 

# Now go through the models and get the desired data. 
rsquared <- vapply(model_list, 
        function(model) summary(model)$r.squared, 
        numeric(1))