在R中“向量化”这个for循环？ （抑制lm中的相互作用主效应）

Question

当在lm中指定交互时，R默认包含主效果，没有选项来抑制它们。这通常是合适和方便的，但在某些情况下（在估算器中，比率LHS变量等）这是不合适的。

我已经有了这个代码，它将一个对数转换后的变量与响应变量相匹配，独立于数据的子集中。

这是一个愚蠢但又可重复的例子：

id = as.factor(c(1,2,2,3,3,3,4,4,4,4,5,5,5,5,6,7,7,8,8,8,9,9,9,9,10))
x = rexp(length(id))
y = rnorm(length(id))
logx = log(x)
data = data.frame(id,y,logx)

for (i in data$id){
    sub = subset(data, id==i)   #This splits the data by id
    m = lm(y~logx-1,data=sub)   #This gives me the linear (log) fit for one of my id's
    sub$x.tilde = log(1+3)*m$coef   #This linearizes it and gives me the expected value for x=3
    data$x.tilde[data$id==i] = sub$x.tilde #This puts it back into the main dataset
    data$tildecoeff[data$id==i] = m$coef #This saves the coefficient (I use it elsewhere for plotting)
    }

我想要适合以下模型：

  

Y = B（X * id）+ e

没有拦截且没有id的主要影响。从循环中可以看出，当X = 3时，我对Y的期望感兴趣，通过原点约束拟合（因为Y是（记录）Y的比率[X =某事] / Y [X = 0 ]

但如果我指定

m = lm(Y~X*as.factor(id)-1)

没有办法压制id的主要影响。我需要在迭代算法中运行这个循环几百次，而作为一个循环，它太慢了。

解码此代码的另一个优点是获得预测间隔会更方便。

（拜托，我不需要关于如何忽略主要效果和拦截是不正确的虔诚评论 - 它通常是，但我可以保证它不在这种情况下。）

提前感谢任何想法！

Answer 1

我想你想要

m <- lm(y ~ 0 + logx : as.factor(id))

请参阅R-intro '11.1 Defining statistical models; formulae'