R 模型变量得分

Question

我在R中建立了一个线性回归模型，并试图获得每个解释变量（自变量）（即x1，x2，x3）的贡献量（而不是系数）。问题：

我怎样才能得到这样数量的拟合数据。这是每个 x (x1, x2, x3) 对每个观察值贡献的数值。
我怎样才能获得相同数量的新（未见）数据

df = data.frame(y, x1, x2, x3)
mod = lm(y ~ x1 + x2 + x3, data = df)

Answer 1

正如@Ali 所建议的，我认为 summary(mod) 确实回答了您的问题。让我再解释一下。由于您没有提供您的数据，我将以内置的虹膜数据为例。

mod = lm(Sepal.Length ~ ., data=iris[,1:4])
summary(mod)$coefficients
               Estimate Std. Error   t value     Pr(>|t|)
(Intercept)   1.8559975 0.25077711  7.400984 9.853855e-12
Sepal.Width   0.6508372 0.06664739  9.765380 1.199846e-17
Petal.Length  0.7091320 0.05671929 12.502483 7.656980e-25
Petal.Width  -0.5564827 0.12754795 -4.362929 2.412876e-05

注意标有“估计”的列。这些是模型系数。明确地说，让我们通过一个示例来说明它们与预测的关系。

iris[1,]
  Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1          5.1         3.5          1.4         0.2  setosa

predict(mod, newdata=iris[1,])
       1 
5.015416

好的，如果我们使用模型预测第一行，我们会得到答案 5.015416。系数是怎么来的？

 1.8559975 +            ## Intercept
 0.6508372 * 3.5 +      ## Sepal.Width
 0.7091320 * 1.4 +      ## Petal.Length
-0.5564827 * 0.2        ## Petal.Width
[1] 5.015416

R 模型变量得分

R model variable score

regression

r

predict

lm

coefficients