一种选择是使用 do
将预测结果作为数据框的一列获取。与其他答案的区别在于使用 data.frame
将预测结果作为一列获取。您可以将变量 dv
添加到此数据集中,以保持事物的顺序。
df %>%
gather(dv, value, y1, y2, -x1,-x2) %>%
group_by(dv)%>%
do(mod=lm(value ~ x1 + x2, data=.)) %>%
do(data.frame(dv = .$dv, pred = predict(.$mod, newdata = df)))
Source: local data frame [200 x 2]
Groups: <by row>
dv pred
(chr) (dbl)
1 y1 4.936012
2 y1 4.948939
3 y1 4.992472
4 y1 4.733290
5 y1 4.921581
6 y1 5.115699
7 y1 4.981135
8 y1 4.837326
9 y1 4.641484
10 y1 4.739197
.. ... ...
那样做的不利之处(对我而言)是您没有数据用于与实际预测值进行比较。你当然可以使用
cbind
将其与预测数据集合并,但另一个有用的选择是在
do
中使用包
broom中的
augment
。在这第二种选择中,我在第一次调用
do
时使用了
augment
,尽管这不是必需的。
你可以使用newdata
参数在augment
中添加要预测的数据集/预测结果。在这个例子中,我使用了数据集df2
(只是你的df
数据集的因变量列)。
library(broom)
df2 = df[ , 3:4]
df %>%
gather(dv, value, y1, y2, -x1,-x2) %>%
group_by(dv)%>%
do( augment(lm(value ~ x1 + x2, data=.), newdata = df2) )
Source: local data frame [200 x 5]
Groups: dv [2]
dv x1 x2 .fitted .se.fit
(chr) (dbl) (dbl) (dbl) (dbl)
1 y1 5.863764 6.201406 4.936012 0.1521102
2 y1 4.419014 7.028888 4.948939 0.1936563
3 y1 7.917369 6.081930 4.992472 0.1255001
4 y1 4.338864 4.019565 4.733290 0.1842635
5 y1 13.307611 2.674705 4.921581 0.1757911
6 y1 14.986879 4.666154 5.115699 0.1614377
7 y1 12.941636 3.679022 4.981135 0.1409247
8 y1 7.474526 4.088868 4.837326 0.1310659
9 y1 2.136858 3.706184 4.641484 0.2357699
10 y1 9.307190 1.885127 4.739197 0.2008851
.. ... ... ... ... ...
augment
进行预测时,只需要newdata
参数。 - aosmith