<\/p>\n
Un errore che potresti riscontrare in R \u00e8:<\/span><\/p>\n Questo errore si verifica in genere quando si tenta di adattare un modello di regressione o un modello ANOVA in R e si utilizza un elenco<\/strong> per una delle variabili anzich\u00e9 un vettore<\/strong> .<\/span><\/p>\n Questo tutorial spiega come correggere questo errore nella pratica.<\/span><\/p>\n Supponiamo che sto cercando di adattare un semplice modello di regressione lineare<\/a> in R:<\/span><\/p>\n Ricevo un errore perch\u00e9 la funzione lm()<\/strong> pu\u00f2 accettare solo vettori come input e la variabile x \u00e8 attualmente una lista.<\/span><\/p>\n Il modo pi\u00f9 semplice per evitare questo errore \u00e8 semplicemente utilizzare la funzione unlist()<\/a> per convertire la variabile di lista in un vettore:<\/span><\/span><\/p>\n Tieni presente che questa volta siamo in grado di adattare il modello di regressione lineare semplice senza errori perch\u00e9 abbiamo utilizzato unlist()<\/strong> per convertire la variabile x in un vettore.<\/span><\/p>\n Tieni presente che se stai adattando un modello di regressione lineare multipla<\/a> e disponi di pi\u00f9 variabili predittive che attualmente sono oggetti elenco, puoi utilizzare unlist()<\/strong> per convertire ciascuna di esse in vettori prima di adattare il modello di regressione:<\/span><\/p>\n Ancora una volta, non riceviamo alcun errore poich\u00e9 abbiamo convertito ciascuno degli oggetti nell’elenco in vettori.<\/span><\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre operazioni comuni in R:<\/span><\/p>\n Come interpretare l’output glm in R<\/a> Un errore che potresti riscontrare in R \u00e8: Error in model.frame.default(formula = y ~ x, drop.unused.levels = TRUE): invalid type (list) for variable ‘x’ Questo errore si verifica in genere quando si tenta di adattare un modello di regressione o un modello ANOVA in R e si utilizza un elenco per una delle variabili anzich\u00e9 […]<\/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
Come riprodurre l’errore<\/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 Come evitare l’errore<\/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 Risorse addizionali<\/strong><\/span><\/h3>\n
Come interpretare i risultati ANOVA in R<\/a>
Come gestire R Avviso: glm.fit: l’algoritmo non converge<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"