<\/p>\n
Ein Fehler, der in R auftreten kann, ist:<\/span><\/p>\n Dieser Fehler tritt normalerweise auf, wenn Sie versuchen, ein Regressionsmodell oder ANOVA-Modell in R anzupassen und eine Liste<\/strong> f\u00fcr eine der Variablen anstelle eines Vektors<\/strong> zu verwenden.<\/span><\/p>\n In diesem Tutorial wird erkl\u00e4rt, wie Sie diesen Fehler in der Praxis beheben k\u00f6nnen.<\/span><\/p>\n Angenommen, ich versuche, ein einfaches lineares Regressionsmodell<\/a> in R anzupassen:<\/span><\/p>\n Ich erhalte eine Fehlermeldung, weil die Funktion lm()<\/strong> nur Vektoren als Eingabe akzeptieren kann und die Variable x derzeit eine Liste ist.<\/span><\/p>\n Der einfachste Weg, diesen Fehler zu vermeiden, besteht darin, einfach die Funktion unlist()<\/a> zu verwenden, um die Listenvariable in einen Vektor umzuwandeln:<\/span><\/span><\/p>\n Beachten Sie, dass wir das einfache lineare Regressionsmodell dieses Mal fehlerfrei anpassen k\u00f6nnen, da wir unlist()<\/strong> verwendet haben, um die Variable x in einen Vektor umzuwandeln.<\/span><\/p>\n Beachten Sie, dass Sie, wenn Sie ein multiples lineares Regressionsmodell<\/a> anpassen und mehrere Pr\u00e4diktorvariablen haben, die derzeit Listenobjekte sind, mit unlist()<\/strong> jede von ihnen in Vektoren konvertieren k\u00f6nnen, bevor Sie das Regressionsmodell anpassen:<\/span><\/p>\n Auch hier erhalten wir keine Fehlermeldungen, da wir jedes Objekt in der Liste in Vektoren umgewandelt haben.<\/span><\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie andere g\u00e4ngige Vorg\u00e4nge in R ausgef\u00fchrt werden:<\/span><\/p>\n So interpretieren Sie die glm-Ausgabe in R<\/a> Ein Fehler, der in R auftreten kann, ist: Error in model.frame.default(formula = y ~ x, drop.unused.levels = TRUE): invalid type (list) for variable ‚x‘ Dieser Fehler tritt normalerweise auf, wenn Sie versuchen, ein Regressionsmodell oder ANOVA-Modell in R anzupassen und eine Liste f\u00fcr eine der Variablen anstelle eines Vektors zu verwenden. In diesem Tutorial wird […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Error in model.frame.default(formula = y ~ x, drop.unused.levels = TRUE): \n invalid type (list) for variable 'x' \n<\/strong><\/pre>\n
So reproduzieren Sie den Fehler<\/strong><\/h2>\n
#define variables\nx <- list(1, 4, 4, 5, 7, 8, 9, 10, 13, 14)\ny <- c(10, 13, 13, 14, 18, 20, 22, 24, 29, 31)<\/span>\n\n#attempt to fit regression model\nmodel <- lm(y ~ x)\n\nError in model.frame.default(formula = y ~ x, drop.unused.levels = TRUE): \n invalid type (list) for variable 'x'\n<\/span><\/span><\/strong><\/span><\/pre>\n So vermeiden Sie den Fehler<\/strong><\/span><\/h2>\n
#define variables\nx <- list(1, 4, 4, 5, 7, 8, 9, 10, 13, 14)\ny <- c(10, 13, 13, 14, 18, 20, 22, 24, 29, 31)\n\n#attempt to fit regression model\n<\/span>model <- lm(y ~ unlist(x))\n\n#view the model output<\/span>\nsummary(model)\n\nCall:\nlm(formula = y ~ unlist(x))\n\nResiduals:\n Min 1Q Median 3Q Max \n-1.1282 -0.4194 -0.1087 0.2966 1.7068 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 6.58447 0.55413 11.88 2.31e-06 ***\nunlist(x) 1.70874 0.06544 26.11 4.97e-09 ***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 0.8134 on 8 degrees of freedom\nMultiple R-squared: 0.9884, Adjusted R-squared: 0.987 \nF-statistic: 681.8 on 1 and 8 DF, p-value: 4.97e-09\n<\/span><\/span><\/strong><\/span><\/pre>\n #define variables\nx1 <- list(1, 4, 4, 5, 7, 8, 9, 10, 13, 14)\nx2 <- list(20, 16, 16, 15, 16, 12, 10, 8, 8, 4)\ny <- c(10, 13, 13, 14, 18, 20, 22, 24, 29, 31)\n\n#fit multiple linear regression model\n<\/span>model <- lm(y ~ unlist(x1) + unlist(x2))\n\n#view the model output\n<\/span>summary(model)\n\nCall:\nlm(formula = y ~ unlist(x1) + unlist(x2))\n\nResiduals:\n Min 1Q Median 3Q Max \n-1.1579 -0.4211 -0.1386 0.3108 1.7130 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 8.34282 4.44971 1.875 0.102932 \nunlist(x1) 1.61339 0.24899 6.480 0.000341 ***\nunlist(x2) -0.08346 0.20937 -0.399 0.702044 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 0.8599 on 7 degrees of freedom\nMultiple R-squared: 0.9887, Adjusted R-squared: 0.9854 \nF-statistic: 305.1 on 2 and 7 DF, p-value: 1.553e-07<\/span><\/span><\/strong><\/span><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
Wie man ANOVA-Ergebnisse in R interpretiert<\/a>
Umgang mit R Warnung: glm.fit: Algorithmus konnte nicht konvergieren<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"