R：线性回归模型中的误差

Question

我有2个不同的数据框，我想对其进行线性回归

我已经为它编写了以下代码

mydir<- "/media/dev/Daten/Task1/subject1/t1"
#multiple subject paths should be given here
# read full paths
myfiles<- list.files(mydir,pattern = "regional_vol*",full.names=T)
# initialise the dataframe from first file 

df<- read.table( myfiles[1], header = F,row.names = NULL, skip = 3, nrows = 1,sep = "\t") 
# [-c(1:3),]
df
#read all the other files and update dataframe
#we read 4 lines to read the header correctly, then remove 3 
ans<- lapply(myfiles[-1], function(x){  read.table( x, header = F, skip = 3, nrows = 1,sep = "\t")       })
ans
#update dataframe
#[-c(1:3),]
lapply(ans, function(x){df<<-rbind(df,x)}  )
#this should be the required dataframe

uncorrect<- array(df)

# Linear regression of ICV extracted from global size FSL 
# Location where your icv is located
ICVdir <- "/media/dev/Daten/Task1/T1_Images"
#loding csv file from ICV
mycsv  <- list.files(ICVdir,pattern = "*.csv",full.names = T )
af<- read.csv(file = mycsv,header = TRUE)
ICV<- as.data.frame(af[,2],drop=FALSE)
#af[1,]
#we take into consideration second column  of csv
#finalcsv <-lapply(mycsv[-1],fudnction(x){read.csv(file="global_size_FSL")})
subj1<- as.data.frame(rep(0.824,each=304))

plot(df ~ subj1, data = df,
       xlab = "ICV value of each subject",
       ylab = "Original uncorrected volume",
       main="intercept calculation"
       )

fit <- lm(subj1 ~ df )

数据帧df具有以下格式的304个值

6433 6433     
1430 1430     
1941 1941     
3059 3059     
3932 3932     
6851 6851

另一个数据帧Subj1具有以下格式的304个值

0.824     
0.824     
0.824      
0.824     
0.824

当我运行代码时，出现以下错误

Error in model.frame.default(formula = subj1 ~ df, drop.unused.levels = TRUE) : 
  invalid type (list) for variable 'subj1'

任何有关变量subj1的data.frame值为何无效的建议

Answer 1

如前所述，您试图将data.frame作为自变量。 尝试：

 fit <- lm(subj1 ~ ., data=df )

只要subj1是因变量的名称，而不是数据帧本身，它将使用数据帧中的所有变量。

如果df有两列是预测变量，而subj1是预测的（因变量），则将两者合并，为其指定适当的列名称，并按上述格式创建模型。

就像是：

data <- cbind(df, subj1)
names(data) <- c("var1", "var2", "subj1")
fit <- lm(subj1 ~ var1 + var2, data=df )

编辑：一些指针：

1. 确保使用包含所有自变量和因变量的单个数据框。
2. 行数应相等。
3. 如果自变量为常量，则因变量的不同值没有方差，因此也就没有意义。 如果因变量是常数，则没有回归的意义-我们可以以100％的精度预测值。