如何使用单个解释变量和多个因变量进行回归？

Question

我想在数据框中使用一个解释性变量来解释许多其他变量的变化。 数据框如下所示：

df: 
explanatory_var dep_var_1 dep_var_2 dep_var_3
1               1.05      1.75      1.98
7               3.8       2.1       9.5
4.5             2         1.9       4

用伪代码，我想：

fit_df$coefficient <- lm((dep_var_1, dep_var_2, dep_var_3) ~ explanatory_variable, na.action = na.exclude)$coefficient
fit_df$intercept <- lm((dep_var_1, dep_var_2, dep_var_3) ~ explanatory_variable, na.action = na.exclude)$intercept
fit_df$coefficient_significance_code <- lm((dep_var_1, dep_var_2, dep_var_3) ~ explanatory_variable, na.action = na.exclude)$coefficient_significance_code
fit_df$intercept_significance_code <- lm((dep_var_1, dep_var_2, dep_var_3) ~ explanatory_variable, na.action = na.exclude)$intercept_significance_code

这样我最终得到的是（数据完全组成，不符合以上条件，仅是示例）

fit_df: 
variable        coefficient intercept coefficient_significance_code intercept_significance_code 
dep_var_1       .35         0.5       ***                           ***
dep_var_2       .5          0.75      ***                           ***
dep_var_3       .43         1.0       ***                           ***

我有一个与这个问题相反的结论：在具有预测变量列表的数据帧上使用R的lm

答案似乎可能与此有关： 使用不同的因变量重复进行回归 ，但是我不是在创建数据框，也不是在寻找均值。

Answer 1

如果您使用单个解释性变量来解释多个因变量的变化，那么manova可能更适合该任务。

使用您的数据，它可能像这样：

exp_var <- c(1, 7, 4.5)
dep_var_1 <- c(1.05, 3.8, 2)
dep_var_2 <- c(1.75, 2.1, 1.9)
dep_var_3 <- c(1.98, 9.5, 4)
df <- data.frame(exp_var, dep_var_1, dep_var_2, dep_var_3)

model <- manova(cbind(dep_var_1,dep_var_2,dep_var_3) ~ exp_var, data = df)
summary(model)

顺便说一句，没有足够的观察结果来运行该代码，它将导致错误。 我希望您的数据集能有很多观察结果。 希望这可以帮助！