使用来自tidyr的聚集更改了我的回归结果

时间：2015-06-02 15:58:03

标签： r tidyr

当我运行下面的代码时，一切都按预期工作

# install.packages("dynlm")
# install.packages("tidyr")
require(dynlm)
require(tidyr)


Time <- 1950:1993

Y <- c(5820, 5843, 5917, 6054, 6099, 6365, 6440, 6465, 6449, 6658,  6698, 6740, 6931, 
       7089, 7384, 7703, 8005, 8163, 8506, 8737, 8842, 9022, 9425,  9752, 9602, 9711, 
       10121, 10425, 10744, 10876, 10746, 10770, 10782, 11179, 11617, 12015, 12336, 
       12568, 12903, 13029, 13093, 12899, 13110, 13391)

X <- c(6284, 6390, 6476, 6640, 6628, 6879, 7080, 7114, 7113, 7256, 7264, 7382, 7583, 7718,  
       8140, 8508, 8822, 9114, 9399, 9606, 9875, 10111, 10414, 11013, 10832, 10906, 11192, 
       11406, 11851, 12039, 12005, 12156, 12146, 12349, 13029, 13258, 13552, 13545, 13890, 
       14005, 14101, 14003, 14279, 14341)

data <- data.frame(Time, Y, X)

data_ts <- ts(data, start = 1950, end = 1993, frequency = 1)

Modell <- dynlm(log(Y) ~ log(X) + log(L(X)) + log(L(X, 2)) + log(L(X, 3)) 
                     + log(L(X, 4)) + log(L(X, 5)), data = data_ts)
summary(Modell)

在这种情况下，我的摘要输出是

...        
              Estimate  Std. Error t value Pr(>|t|)    
(Intercept)  -0.059109   0.091926  -0.643    0.525    
log(X)        0.883020   0.145754   6.058 9.17e-07 ***
log(L(X))     0.004167   0.211420   0.020    0.984    
log(L(X, 2)) -0.092880   0.207026  -0.449    0.657    
log(L(X, 3)) -0.012016   0.210395  -0.057    0.955    
log(L(X, 4))  0.200596   0.212370   0.945    0.352    
log(L(X, 5))  0.014497   0.144103   0.101    0.920 
...

现在，当我使用 gather（）为某些图表定义新的数据框时

data_tidyr <- gather(data, "Key", "Value", -Time)

并重新运行上面的代码而不更改其他任何我得到此摘要：

              Estimate Std. Error t value Pr(>|t|)    
(Intercept)  -0.05669    0.07546  -0.751    0.457    
log(X)        0.82128    0.13486   6.090 3.53e-07 ***
log(L(X))     0.17484    0.13365   1.308    0.198    
log(L(X, 2))       NA         NA      NA       NA    
log(L(X, 3))       NA         NA      NA       NA    
log(L(X, 4))       NA         NA      NA       NA    
log(L(X, 5))       NA         NA      NA       NA

我对这种行为感到困惑，因为收集操作（定义一个新的数据框，其中列聚集成行）与我用于运行回归的数据集无关（至少这是我的印象）。 以某种方式使用 gather（）改变了计算的方式，但我看不出如何。非常感谢帮助！

一些数字：

  • ＆＃34; dynlm＆＃34;版本0.3-3
  • R版本：3.2.0（64位）

更新

好的，谢谢你到目前为止的所有答案和评论，但问题仍然存在：环境中发生了什么？我想知道为什么以及如何发生这种情况。对我而言，这是一件非常严肃的事情，因为我的理解是避免一个函数调用对其他函数的非预期副作用，这正是R正在试图实现的函数式语言。现在，除非我在这里遗漏了一些东西，否则这种行为似乎与这种意图不一致。

2 个答案:

答案 0 :(得分：6)

此次意外更改的根本原因是dplyr（dplyr，而不是tidyr）更改了lag功能的默认方法。 gather函数调用dplyr::select_vars，它通过命名空间加载dplyr并覆盖lag.default。

在公式中使用dynlm时，lag函数会在内部调用L。然后，方法调度找到lag.default。当通过命名空间加载dplyr（甚至不需要附加）时，会找到lag.default中的dplyr。

两个滞后函数根本不同。在新的R会话中，您会发现以下差异：

lag(1:3, 1)
## [1] 1 2 3
## attr(,"tsp")
## [1] 0 2 1
invisible(dplyr::mutate) # side effect: loads dplyr via namespace...
lag(1:3, 1)
## [1] NA  1  2

所以解决方案非常简单。只需自己覆盖lag.default功能即可。 

lag.default <- stats:::lag.default
dynlm(log(Y) ~ log(X) + log(L(X)) + log(L(X, 2)), data = data_ts)

## Time series regression with "ts" data:
##   Start = 1952, End = 1993
## 
## Call:
##   dynlm(formula = log(Y) ~ log(X) + log(L(X)) + log(L(X, 2)), data = data_ts)
## 
## Coefficients:
##   (Intercept)        log(X)     log(L(X))  log(L(X, 2))  
## -0.05476       0.83870       0.01818       0.13928      

lag.default <- dplyr:::lag.default
dynlm(log(Y) ~ log(X) + log(L(X)) + log(L(X, 2)), data = data_ts)

## Time series regression with "ts" data:
## Start = 1951, End = 1993
## 
## Call:
## dynlm(formula = log(Y) ~ log(X) + log(L(X)) + log(L(X, 2)), data = data_ts)
## 
## Coefficients:
##  (Intercept)        log(X)     log(L(X))  log(L(X, 2))  
##     -0.05669       0.82128       0.17484            NA  

lag.default <- stats:::lag.default
dynlm(log(Y) ~ log(X) + log(L(X)) + log(L(X, 2)), data = data_ts)

## Time series regression with "ts" data:
##   Start = 1952, End = 1993
## 
## Call:
##   dynlm(formula = log(Y) ~ log(X) + log(L(X)) + log(L(X, 2)), data = data_ts)
## 
## Coefficients:
##   (Intercept)        log(X)     log(L(X))  log(L(X, 2))  
## -0.05476       0.83870       0.01818       0.13928

答案 1 :(得分：-1)

当我在R 3.1.3中运行你的第一个代码块时，我得到的结果显示为你的第二组结果：

（R版本3.1.3，dynlm版本.3-3）。

Time series regression with "ts" data:
Start = 1951, End = 1993

Call:
dynlm(formula = log(Y) ~ log(X) + log(L(X)) + log(L(X, 2)) + 
    log(L(X, 3)) + log(L(X, 4)) + log(L(X, 5)), data = data_ts)

Residuals:
      Min        1Q    Median        3Q       Max 
-0.030753 -0.006364  0.001321  0.007939  0.025982 

Coefficients: (4 not defined because of singularities)
             Estimate Std. Error t value Pr(>|t|)    
(Intercept)  -0.05669    0.07546  -0.751    0.457    
log(X)        0.82128    0.13486   6.090 3.53e-07 ***
log(L(X))     0.17484    0.13365   1.308    0.198    
log(L(X, 2))       NA         NA      NA       NA    
log(L(X, 3))       NA         NA      NA       NA    
log(L(X, 4))       NA         NA      NA       NA    
log(L(X, 5))       NA         NA      NA       NA    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.01419 on 40 degrees of freedom
Multiple R-squared:  0.9974,    Adjusted R-squared:  0.9972 
F-statistic:  7578 on 2 and 40 DF,  p-value: < 2.2e-16

然而，当我更新到R 3.2.0时，我重复了你最初得到的东西，但后来又回到了第二个结果。

现在，从您以后的评论中，您也可以始终获得第二个结果。 所以我认为必须是某些时候代码中存在拼写错误或者第一次在空白环境中运行时会出现问题。

基于这个假设，我完全关闭了RStudio，重新启动并运行了第一个代码块。 在那种情况下，我再次得到了你的初步结果。

所以我认为你的问题的答案必须是在环境中发生奇怪的事情。

我阅读了dynlm的文档，并且有一些地方默认值（如果它们正在发挥作用）可能会导致差异。例如，如果没有指定数据，它将从环境中获取变量。它将使用时间序列对象或数据帧。在您的情况下，您同时拥有环境（data和data_ts）。如果您在上面的摘要输出中注意到它Time series regression with "ts" data:，则表示它正在运行ts个对象。当我得到另一个结果（没有NAs，你的第一个结果）时，它会显示Time series regression with "numeric" data:，在这种情况下，它会在data上运行，它是一个数据帧，或者直接是X和Y.所以我认为这必然是差异的根源。我不确定为什么data_ts明确命名会发生这种情况。

相关问题
最新问题