Question

假设我有可索引的数据X和Y源，比如矩阵。我想运行一组独立的回归并存储结果。我的初步方法是

results = matrix(nrow=nrow(X), ncol=(2))
for(i in 1:ncol(X)) {
        matrix[i,] = coefficients(lm(Y[i,] ~ X[i,])

}

但是，循环很糟糕，所以我可以用lapply来做这个

out <- lapply(1:nrow(X), function(i) { coefficients(lm(Y[i,] ~ X[i,])) } )

有更好的方法吗？

Answer 1

你肯定在这里过度优化。与模型拟合的过程相比，循环的开销可以忽略不计，因此简单的答案是 - 使用您发现的最容易理解的方式。我会去for-loop，但lapply也很好。

Answer 2

我用plyr做这类事情，但我同意这不是一个处理效率问题，就像你阅读和写作一样舒服。

Answer 3

如果您只想执行简单的多元线性回归，那么我建议使用lm（） not 。有lsfit（），但我不确定它会提供多少加速（我从未进行过正式比较）。相反，我建议使用qr（）和qrcoef（）执行（X'X）^ { - 1} X'y。这将允许您执行多元多元线性回归;也就是说，将响应变量视为矩阵而不是向量，并对每行观察应用相同的回归。

Z # design matrix
Y # matrix of observations (each row is a vector of observations)
## Estimation via multivariate multiple linear regression                    
beta <- qr.coef(qr(Z), Y)
## Fitted values                                                             
Yhat <- Z %*% beta
## Residuals                                                                 
u <- Y - Yhat

在您的示例中，每个观测矢量是否有不同的设计矩阵？如果是这样，您可以修改Z以便仍能适应这种情况。

在R中运行回归循环的最佳方法是什么？

3 个答案: