<\/p>\n
B\u0142\u0105d, kt\u00f3ry mo\u017cesz napotka\u0107 w R to:<\/span><\/p>\n Ten b\u0142\u0105d zwykle pojawia si\u0119, gdy pr\u00f3bujesz dopasowa\u0107 model regresji lub model ANOVA w R i u\u017cy\u0107 listy<\/strong> dla jednej ze zmiennych zamiast wektora<\/strong> .<\/span><\/p>\n W tym samouczku wyja\u015bniono, jak w praktyce naprawi\u0107 ten b\u0142\u0105d.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce pr\u00f3buj\u0119 dopasowa\u0107 prosty model regresji liniowej<\/a> w R:<\/span><\/p>\n Wyst\u0119puje b\u0142\u0105d, poniewa\u017c funkcja lm()<\/strong> mo\u017ce przyjmowa\u0107 tylko wektory jako dane wej\u015bciowe, a zmienna x jest obecnie list\u0105.<\/span><\/p>\n Naj\u0142atwiejszym sposobem unikni\u0119cia tego b\u0142\u0119du jest po prostu u\u017cycie funkcji unlist()<\/a> w celu przekszta\u0142cenia zmiennej listy na wektor:<\/span><\/span><\/p>\n Zauwa\u017c, \u017ce tym razem jeste\u015bmy w stanie dopasowa\u0107 prosty model regresji liniowej bez \u017cadnych b\u0142\u0119d\u00f3w, poniewa\u017c u\u017cyli\u015bmy funkcji unlist()<\/strong> do konwersji zmiennej x na wektor.<\/span><\/p>\n Pami\u0119taj, \u017ce je\u015bli dopasowujesz model regresji liniowej wielokrotnej<\/a> i masz wiele zmiennych predykcyjnych, kt\u00f3re obecnie s\u0105 obiektami listowymi, mo\u017cesz u\u017cy\u0107 funkcji unlist()<\/strong> , aby przekonwertowa\u0107 ka\u017cd\u0105 z nich na wektory przed dopasowaniem modelu regresji:<\/span><\/p>\n Ponownie nie otrzymujemy \u017cadnych b\u0142\u0119d\u00f3w, poniewa\u017c przekonwertowali\u015bmy ka\u017cdy z obiekt\u00f3w na li\u015bcie na wektory.<\/span><\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak wykonywa\u0107 inne typowe operacje w j\u0119zyku R:<\/span><\/p>\n Jak interpretowa\u0107 dane wyj\u015bciowe glm w R<\/a> B\u0142\u0105d, kt\u00f3ry mo\u017cesz napotka\u0107 w R to: Error in model.frame.default(formula = y ~ x, drop.unused.levels = TRUE): invalid type (list) for variable 'x’ Ten b\u0142\u0105d zwykle pojawia si\u0119, gdy pr\u00f3bujesz dopasowa\u0107 model regresji lub model ANOVA w R i u\u017cy\u0107 listy dla jednej ze zmiennych zamiast wektora . W tym samouczku wyja\u015bniono, jak w praktyce […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-3218","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"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
Jak odtworzy\u0107 b\u0142\u0105d<\/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 Jak unikn\u0105\u0107 b\u0142\u0119du<\/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 Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak interpretowa\u0107 wyniki ANOVA w R<\/a>
Jak obs\u0142ugiwa\u0107 R Ostrze\u017cenie: glm.fit: algorytm nie jest zbie\u017cny<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"