Como escrever sucintamente uma fórmula com muitas variáveis ​​de um quadro de dados?

Suponha que eu tenha uma variável de resposta e dados que contenham três covariáveis ​​(como um exemplo de brinquedo):

y = c(1,4,6)
d = data.frame(x1 = c(4,-1,3), x2 = c(3,9,8), x3 = c(4,-4,-2))

Quero ajustar uma regressão linear aos dados:

fit = lm(y ~ d$x1 + d$x2 + d$y2)

Existe uma maneira de escrever a fórmula, para que eu não precise escrever cada covariável individual? Por exemplo, algo como

fit = lm(y ~ d)

(Quero que cada variável no quadro de dados seja uma covariável.) Estou perguntando porque, na verdade, tenho 50 variáveis ​​no meu quadro de dados, por isso quero evitar escrever x1 + x2 + x3 + etc.

Existe um identificador especial que pode ser usado em uma fórmula para significar todas as variáveis, é o .identificador.

y <- c(1,4,6)
d <- data.frame(y = y, x1 = c(4,-1,3), x2 = c(3,9,8), x3 = c(4,-4,-2))
mod <- lm(y ~ ., data = d)

Você também pode fazer coisas assim, para usar todas as variáveis, exceto uma (neste caso, x3 é excluído):

mod <- lm(y ~ . - x3, data = d)

Tecnicamente, .significa todas as variáveis ​​ainda não mencionadas na fórmula . Por exemplo

lm(y ~ x1 * x2 + ., data = d)

onde .referenciaria apenas x3como x1e x2já está na fórmula.

Uma abordagem um pouco diferente é criar sua fórmula a partir de uma string. Na formulapágina de ajuda, você encontrará o seguinte exemplo:

## Create a formula for a model with a large number of variables:
xnam <- paste("x", 1:25, sep="")
fmla <- as.formula(paste("y ~ ", paste(xnam, collapse= "+")))

Então, se você olhar para a fórmula gerada, obterá:

R> fmla
y ~ x1 + x2 + x3 + x4 + x5 + x6 + x7 + x8 + x9 + x10 + x11 + 
    x12 + x13 + x14 + x15 + x16 + x17 + x18 + x19 + x20 + x21 + 
    x22 + x23 + x24 + x25

Sim, é claro, basta adicionar a resposta ycomo primeira coluna no quadro de dados e chamar lm():

d2<-data.frame(y,d)
> d2
  y x1 x2 x3
1 1  4  3  4
2 4 -1  9 -4
3 6  3  8 -2
> lm(d2)

Call:
lm(formula = d2)

Coefficients:
(Intercept)           x1           x2           x3  
    -5.6316       0.7895       1.1579           NA  

Além disso, minhas informações sobre R apontam que a atribuição <-é recomendada =.

Uma extensão do método juba é usar reformulate, uma função explicitamente projetada para essa tarefa.

## Create a formula for a model with a large number of variables:
xnam <- paste("x", 1:25, sep="")

reformulate(xnam, "y")
y ~ x1 + x2 + x3 + x4 + x5 + x6 + x7 + x8 + x9 + x10 + x11 + 
    x12 + x13 + x14 + x15 + x16 + x17 + x18 + x19 + x20 + x21 + 
    x22 + x23 + x24 + x25

Para o exemplo no OP, a solução mais fácil aqui seria

# add y variable to data.frame d
d <- cbind(y, d)
reformulate(names(d)[-1], names(d[1]))
y ~ x1 + x2 + x3

ou

mod <- lm(reformulate(names(d)[-1], names(d[1])), data=d)

Observe que a adição da variável dependente ao data.frame d <- cbind(y, d)é preferida não apenas porque permite o uso de reformulate, mas também porque permite o uso futuro do lmobjeto em funções como predict.

Eu construo esta solução, reformulatenão tome cuidado se os nomes das variáveis ​​tiverem espaços em branco.

add_backticks = function(x) {
    paste0("`", x, "`")
}

x_lm_formula = function(x) {
    paste(add_backticks(x), collapse = " + ")
}

build_lm_formula = function(x, y){
    if (length(y)>1){
        stop("y needs to be just one variable")
    }
    as.formula(        
        paste0("`",y,"`", " ~ ", x_lm_formula(x))
    )
}

# Example
df <- data.frame(
    y = c(1,4,6), 
    x1 = c(4,-1,3), 
    x2 = c(3,9,8), 
    x3 = c(4,-4,-2)
    )

# Model Specification
columns = colnames(df)
y_cols = columns[1]
x_cols = columns[2:length(columns)]
formula = build_lm_formula(x_cols, y_cols)
formula
# output
# "`y` ~ `x1` + `x2` + `x3`"

# Run Model
lm(formula = formula, data = df)
# output
Call:
    lm(formula = formula, data = df)

Coefficients:
    (Intercept)           x1           x2           x3  
        -5.6316       0.7895       1.1579           NA  

`` ``

Você pode verificar o pacote leapse, em particular, as funções das regsubsets() funções para a seleção do modelo. Conforme declarado na documentação:

Seleção de modelo por busca exaustiva, substituição progressiva ou progressiva ou sequencial