Question

我正在制作一个函数，该函数将对回归函数的未评估调用作为输入，创建一些数据，然后评估该调用。这是一个示例：

library(lme4)
compute_fit <- function(m){
  # Generate some data
  df <- data.frame(x = rnorm(100), y = rnorm(100) + x, ID = sample(4, 100, replace = TRUE))
  # Evaluate the call
  eval(m, envir = df)
}

# Create a list of models
models <- list(
  lm = call("lm", quote(list(formula = y ~ x))),
  glm = call("glm", quote(list(formula = y ~ x))),
  lmer = call("lmer", quote(list(formula = y ~ x + (1 | ID))))
)

# Evaluate the call (this works fine)
model_fits <- lapply(models, compute_fit)

之所以这样做，是因为我正在进行模拟研究，在其中我将许多不同的模型拟合到许多蒙特卡洛样本上。该函数是内部软件包的一部分，我想提供模型列表，然后在软件包内部进行评估。

我还想使用gam中的mgcv函数。在gam的文档中，关于其data参数的说明如下，该参数实际上等同于lm的文档：

包含模型响应变量和公式所需的协变量的数据框或列表。默认情况下，变量取自环境（公式）：通常是调用gam的环境。

因此，我尝试使用相同的逻辑来计算gam，认为上面定义的eval(m, envir = df)函数中的compute_fit应该在df的环境中评估公式：

# Try with gam
library(mgcv)
gamcall = call("gam", quote(list(formula = y ~ x)))    
compute_fit(gamcall)

但是，此操作失败并显示错误消息：

eval（predvars，data，env）中的错误：找不到对象“ y”

我意识到此错误很可能与this question有关，但是我的问题是，是否有人能想到一种解决方法，可以让我像使用其他建模函数一样使用gam？据我所知，链接的问题并未为该问题提供解决方案。

这里是完整的代表：

set.seed(1)
library(lme4)
#> Loading required package: Matrix
compute_fit <- function(m){
  # Generate some data
  df <- data.frame(x = rnorm(100), ID = rep(1:50, 2))
  df$y <- df$x + rnorm(100, sd = .1)
  # Evaluate the call
  eval(m, envir = df)
}

# Create a list of models
models <- list(
  lm = call("lm", quote(list(formula = y ~ x))),
  glm = call("glm", quote(list(formula = y ~ x))),
  lmer = call("lmer", quote(list(formula = y ~ x + (1 | ID))))
)

# Evaluate the call (this works fine)
model_fits <- lapply(models, compute_fit)

# Try with gam
library(mgcv)
#> Loading required package: nlme
#> 
#> Attaching package: 'nlme'
#> The following object is masked from 'package:lme4':
#> 
#>     lmList
#> This is mgcv 1.8-26. For overview type 'help("mgcv-package")'.
gamcall = call("gam", quote(list(formula = y ~ x)))    
compute_fit(gamcall)    
#> Error in eval(predvars, data, env): object 'y' not found

Answer 1

我会在通话中添加df，而不是在df内进行评估：

compute_fit <- function(m){
  # Generate some data
  set.seed(1)
  df <- data.frame(x <- rnorm(100), y = rnorm(100) + x^3, ID = sample(4, 100, replace = TRUE))
  #add data parameter to call
  m[["data"]] <- quote(df)
  # Evaluate the call
  eval(m)
}

# Create a list of models
models <- list(
  lm = quote(lm(formula = y ~ x)),
  glm = quote(glm(formula = y ~ x)),
  lmer = quote(lmer(formula = y ~ x + (1 | ID))),
  gam = quote(gam(formula = y ~ s(x)))
)

model_fits <- lapply(models, compute_fit)
#works but lmer reports singular fit

使用mgcv :: gam进行非标准评估

1 个答案: