因此,在R控制台中,我运行回归,然后使用:
打印系数summary(lm1)$coefficients
结果很漂亮。当我复制和粘贴时它变得混乱,但它看起来很好。每个回归程序的名称列在一个单独的行上,然后是系数,每个都在一个很好的列中,顶部有一个列标题。
在我在终端上运行的脚本中(在我的macbook上,顺便说一下)我使用这个命令:
dput(summary(lm1)$coefficients)
结果(我只是粘贴它的一部分)是
>structure(c(-0.0206181857293946, -0.0017031360313225, 0.000315645616785813,
>0.000599803702896499, 0.000329152314647127, -0.000359972132038397,
>0.0069812874814682, -0.000468798197004485, 0.000260098693454015,
>
>...
>
>0.0292457238789278, 8.66406612930307e-11, 0.316665800834179,
>0.0207690630122154, 0.0080390491577215, 0.0141105679984487, >7.13568902235773e-06
>), .Dim = c(41L, 4L), .Dimnames = list(c("RatiotoSPY", >"fiveDayRatioStdDev",
>"RANKfiveDayRatioStdDev", "slopeFiveDayRatioStdDev", >"RANKslopeFiveDayRatioStdDev",
>
>....
所以,有一些事情:
是否有一种简单的方法可以很好地打印出回归系数和统计数据?
答案 0 :(得分:1)
您需要查看令人难以置信的 broom 包。
install.packages("broom")
lmfit <- lm(mpg ~ wt, mtcars)
lmfit
##
## Call:
## lm(formula = mpg ~ wt, data = mtcars)
##
## Coefficients:
## (Intercept) wt
## 37.29 -5.34
library(broom)
tidy(lmfit)
## term estimate std.error statistic p.value
## 1 (Intercept) 37.285 1.8776 19.858 8.242e-19
## 2 wt -5.344 0.5591 -9.559 1.294e-10
如果您需要summary(lmfit)
的输出,请使用glance()
。
glance(lmfit)
## r.squared adj.r.squared sigma statistic p.value df logLik AIC BIC deviance df.residual
## 1 0.7528328 0.7445939 3.045882 91.37533 1.293959e-10 2 -80.01471 166.0294 170.4266 278.3219 30
通过插图提供的其他信息:browseVignettes(package="broom")