Je suis en cours d'exécution une simulation où je veux adapter un modèle linéaire à des sous-ensembles de mes données:de plusieurs sous-ensembles de montage d'un data.frame
library(reshape2)
library(plyr)
all <- mutate(iris, mean_width = ave(Petal.Width, Petal.Length))
str(all)
## want to minimise sum(|y*polynomial(x) - z|^2) for each id
## in the region where x != exclude
weighted_difference <- function(d, n=4, exclude = c(2.5, 3), ...){
sub <- subset(d, !(Sepal.Width > exclude[1] &
Sepal.Width < exclude[2]))
fit <- lm(mean_width ~ I(poly(Petal.Length, n, raw=TRUE)*Petal.Width) + Petal.Width - 1, data = sub)
mutate(d, predict = predict(fit, d),
difference = Petal.Width - predict)
}
results <- ddply(all, "Species", weighted_difference)
Cela fonctionne, mais je voudrais utiliser une approche plus simple où je crée d'abord une nouvelle data.frame pour l'ajustement,
exclude <- c(3, 6)
sub <- subset(all, !(x > exclude[1] & x < exclude[2]))
adaptent tous les cas,
fits <- lm(z ~ I(poly(x, n, raw=TRUE)*y) + y - 1 | id, data = sub)
(ce ... | id
est une syntaxe non valide apparemment)
et utiliser prédire les données complètes à la fois,
all <- mutate(all, predict = predict(fits, all), difference = y - predict)
Y at-il une astuce pour utiliser lm()
comme ça? Ou une meilleure solution? Merci.
Qu'est-ce que vous essayez exactement en utilisant '... | id'? Si vous voulez intégrer des interceptions aléatoires, vous devez utiliser des modèles mixtes, par exemple le paquetage 'nlme' ou' lme4'. –
désolé, je suppose que l'utilisation de données aléatoires n'est pas très clair, je vais mettre à jour l'exemple. Avec '... | id' Je veux dire que l'ajustement doit être fait pour chaque groupe défini par 'id', comme dans les diagrammes en treillis. – baptiste