🧐 rms | 批量完成你的线性回归（一）

1写在前面

1️⃣ 线性回归(Linear Regression)是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。

2️⃣ 回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归。 3️⃣ 回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归。

一元线性回归分析法的数学方程：

2用到的包

rm(list = ls())
library(tidyverse)
library(rms)

3示例数据

用到的是大名鼎鼎的mtcars，1974年《Motor Trend US》杂志上记录的，包括32种汽车的mpg(燃料消耗)、hp(马力)等方面的数据。

dat <- mtcars %>% 
  rownames_to_column(.,"ID")

4数据处理

我们先看一下有没有NA值，用一下tidyverse的函数吧。 这里并没有NA值的存在，所以就不过滤了。

dat %>%
  summarise_all(
    ~ sum(is.na(.))
  )

5一元线性回归

5.1 相关性计算

这里我们看一下hp(马力)对mpg(燃料消耗)的影响。 在这之前，我们先做一个散点图看一下相关性。(就用之前讲过的ggstatsplot包吧)

library(ggstatsplot)
ggscatterstats(dat,
               x = hp,
               y = mpg)

可以看到这里hp与mpg间存在显著相关性，但hp一定会影响mpg吗？？ 其实不一定，就好像我们一般都觉得胖的人像大款，会有钱，体重和收入好像是正相关的； 但胖的人也有可能是伙夫啊~ 😂

5.2 建立线性模型

为了进一步确定hp会不会影响mpg，我们接着使用一元线性回归看一下；

mod1 <- lm(formula = mpg ~ hp,data = dat)

print(mod1)

Note! 这里30.09886 为截距(b),-0.06823为斜率(a)。也就是说我们建立的线性回归模型为：

5.3 查看详细信息

summary(mod1)

5.4 批量单因素线性回归分析

这里我们挑选4个变量进行批量单因素回归。我们先自定义函数，再使用map进行批量计算。

regression2 <- function(x){
    coef(summary(lm(mpg~x,data=dat)))[2,c(1,2,4)]
  }
  
result <- map(dat[,4:7],regression2) %>% 
  do.call(rbind,.) %>% 
  as.data.frame() %>% 
  rownames_to_column(.)

5.5 结果可视化

这里我们用ggforestplot包进行可视化，具体用法后面再做详细介绍。😘

library(ggforestplot)
colnames(result) <- c("name", "beta", "se", "pvalue") 

forestplot(
  df = result,
  estimate = beta,
  colour = name,
  title = "",
  xlab = "",
  pvalue = pvalue,
  psignif = 0.05)

最后祝大家早日不卷!~