あなたはR.に難支持部に足を踏み入れるあなたが持っているモデルクラスは、「マルチ商法」である、すなわち、「複数の線形モデル」、されています標準の "lm"クラスではありません。共変量/予測変数の共通セットに対する複数の（独立した）応答変数があるときにそれを得ます。このようなモデルにはlm()の機能が適合しますが、 "mlm"クラスの場合はpredictメソッドが不良です。 methods(predict)を見ると、predict.mlm*が表示されます。通常、 "lm"クラスの線形モデルの場合、predictを呼び出すとpredict.lmが呼び出されます。 "mlm"クラスの場合はpredict.mlm*が呼び出されます。
predict.mlm*はあまりにも原始的です。 se.fitは許されない、すなわち、理論上は可能であるが、予測誤差、信頼/予測間隔などを生成することはできない。それは予測平均しか計算できません。もしそうなら、私たちはなぜpredict.mlm*を使ってみたいのですか？予測平均は、簡単な行列 - 行列乗算（標準の "lm"クラスではこれは行列 - ベクトル乗算）によって得られるので、我々自身でそれを行うことができる。
この小さな再現例を考えてみましょう。
set.seed(0)
## 2 response of 10 observations each
response <- matrix(rnorm(20), 10, 2)
## 3 covariates with 10 observations each
predictors <- matrix(rnorm(30), 10, 3)
fit <- lm(response ~ predictors)
class(fit)
# [1] "mlm" "lm"
beta <- coef(fit)
# [,1] [,2]
#(Intercept) 0.5773235 -0.4752326
#predictors1 -0.9942677 0.6759778
#predictors2 -1.3306272 0.8322564
#predictors3 -0.5533336 0.6218942
あなたは、予測データセットがある場合：
# 2 new observations for 3 covariats
test_set <- matrix(rnorm(6), 2, 3)
は、我々が最初に続いて
pred <- Xp %*% beta
# [,1] [,2]
#[1,] -2.905469 1.702384
#[2,] 1.871755 -1.236240
おそらく、この行列の乗算を行うパッドにインターセプト列
Xp <- cbind(1, test_set)
を必要としますあなたはそれに気づいた私はここでもデータフレームを使用していませんでした。 はい、すべてが行列形式であるので、それは不要です。これらのRのウィザードでは、おそらくlm.fit、さらにはqr.solveを使用する方が簡単です。
しかし、完全な答えとして、私たちの目的の結果を得るためにpredict.mlmを使用する方法を実証するために必要不可欠です。私はdata.frame()を使用する場合
## still using previous matrices
training_dataframe <- data.frame(response = I(response), predictors = I(predictors))
fit <- lm(response ~ predictors, data = training_dataframe)
newdat <- data.frame(predictors = I(test_set))
pred <- predict(fit, newdat)
# [,1] [,2]
#[1,] -2.905469 1.702384
#[2,] 1.871755 -1.236240
はI()に注意してください。これは、のデータフレームを取得したいときに必要です。
str(data.frame(response = I(response), predictors = I(predictors)))
#'data.frame': 10 obs. of 2 variables:
# $ response : AsIs [1:10, 1:2] 1.262954.... -0.32623.... 1.329799.... 1.272429.... 0.414641.... ...
# $ predictors: AsIs [1:10, 1:3] -0.22426.... 0.377395.... 0.133336.... 0.804189.... -0.05710.... ...
str(data.frame(response = response, predictors = predictors))
#'data.frame': 10 obs. of 5 variables:
# $ response.1 : num 1.263 -0.326 1.33 1.272 0.415 ...
# $ response.2 : num 0.764 -0.799 -1.148 -0.289 -0.299 ...
# $ predictors.1: num -0.2243 0.3774 0.1333 0.8042 -0.0571 ...
# $ predictors.2: num -0.236 -0.543 -0.433 -0.649 0.727 ...
# $ predictors.3: num 1.758 0.561 -0.453 -0.832 -1.167 ...
マトリックス入力を保護するために、データが乱雑です。これがlmに問題を引き起こさないことは驚くべきことですが、predict.mlmは、I()を使用しないと、予測のための正しい行列を得るのが難しくなります。
この場合、「データフレーム」の代わりに「リスト」を使用することをお勧めします。data引数はlmでもnewdataの引数はpredictでリスト入力が可能です。 「リスト」は、データフレームよりも一般的な構造であり、データ構造を問題なく保持することができます。我々は行うことができます。
## still using previous matrices
training_list <- list(response = response, predictors = predictors)
fit <- lm(response ~ predictors, data = training_list)
newdat <- list(predictors = test_set)
pred <- predict(fit, newdat)
# [,1] [,2]
#[1,] -2.905469 1.702384
#[2,] 1.871755 -1.236240
はおそらく、最後の最後に、私はむしろマトリックス界面よりも、式インタフェースを使用することが常に安全であることを強調すべきです。再構築可能な例として、R組み込みデータセットtreesを使用します。 fit <- lm(cbind(Girth, Height) ~ Volume, data = trees)
## use the first two rows as prediction dataset
predict(fit, newdata = trees[1:2, ])
# Girth Height
#1 9.579568 71.39192
#2 9.579568 71.39192
おそらく、あなたはまだ私はpredict.mlm*がse.fitをサポートするにはあまりにも原始的であることを言って覚えておいてください。これはそれをテストするチャンスです。
predict(fit, newdata = trees[1:2, ], se.fit = TRUE)
#Error in predict.mlm(fit, newdata = trees[1:2, ], se.fit = TRUE) :
# the 'se.fit' argument is not yet implemented for "mlm" objects
おっと...どの程度信頼/予測区間（実際には標準誤差を計算する能力なしに、それらの間隔を製造することは不可能である）？さて、predict.mlm*は無視します。
predict(fit, newdata = trees[1:2, ], interval = "confidence")
# Girth Height
#1 9.579568 71.39192
#2 9.579568 71.39192
これはpredict.lmと比べて非常に異なっています。
この場合のMLMは、「多変量線形モデル」の略です。 –
私は分かりました、ありがとう！ –