R语言中多元模型的Roy-Bargmann逐步检验实现方案问询

Roy-Bargmann逐步检验常用于基于lm()拟合的多元线性模型（如MANOVA、MMRA），核心逻辑是按固定顺序拟合一系列嵌套模型：后续模型会将前序模型的早期因变量转为自变量，以此分析控制早期因变量后，剩余因变量的可解释性。

目前R中没有针对"mlm"类对象的现成实现，但可以通过公式操作结合lm()的批量调用，自动生成所需的模型列表。

实现思路 #

1. 解析原公式：提取原模型中cbind()包裹的因变量集合，以及右侧的自变量部分。
2. 分步生成模型公式：
   • 第1步：保留全部因变量，使用原自变量拟合模型
   • 第n步（n>1）：保留第n到最后一个因变量，自变量为原自变量加上前n-1个因变量
3. 批量拟合模型：循环生成每个步骤的公式，调用lm()拟合并收集为模型列表。

具体代码实现 #

RBmlm <- function(formula, data, ...) {
  # 解析公式，拆分因变量与自变量部分
  f_terms <- terms(formula)
  y_vars <- all.vars(formula[[2]])
  x_expr <- formula[[3]]
  
  model_list <- list()
  # 循环生成每一步的模型
  for (step in seq_along(y_vars)) {
    # 构建当前步骤的因变量（从第step个到最后一个）
    current_y <- as.call(c(list(quote(cbind)), y_vars[step:length(y_vars)]))
    # 构建当前步骤的自变量：原自变量 + 前step-1个因变量
    if (step == 1) {
      current_x <- x_expr
    } else {
      current_x <- Reduce(function(a, b) call("+", a, as.name(b)),
                          y_vars[1:(step-1)],
                          init = x_expr)
    }
    # 拼接成完整公式
    current_formula <- formula(paste(deparse(current_y), "~", deparse(current_x)))
    # 拟合模型并加入列表
    model_list[[step]] <- lm(current_formula, data = data, ...)
    # 给模型添加可读性名称
    names(model_list)[step] <- sprintf("Step %d: %s ~ %s",
                                       step,
                                       paste(y_vars[step:length(y_vars)], collapse = ", "),
                                       deparse(current_x))
  }
  
  # 添加元信息与自定义类
  attr(model_list, "original_formula") <- formula
  attr(model_list, "y_variables") <- y_vars
  class(model_list) <- c("RBmlm", "list")
  model_list
}

# 自定义打印方法，优化输出可读性
print.RBmlm <- function(x, ...) {
  cat("Roy-Bargmann逐步检验模型列表\n")
  cat("原公式:", deparse(attr(x, "original_formula")), "\n\n")
  for (i in seq_along(x)) {
    cat(names(x)[i], "\n")
    cat("模型调用:", deparse(x[[i]]$call), "\n\n")
  }
}

使用示例 #

以mtcars数据集为例，拟合包含3个因变量的模型：

# 调用RBmlm函数
rb_models <- RBmlm(cbind(mpg, disp, hp) ~ wt + qsec, data = mtcars)

# 查看模型列表概览
rb_models

# 提取单个模型并执行MANOVA检验
manova(rb_models[[2]])

关键细节说明 #

• 公式构造：通过Reduce()和call()函数动态拼接自变量部分，兼容原公式中的交互项、因子变量等复杂结构
• 灵活性：函数支持传递lm()的额外参数（如weights），通过...传递给底层拟合函数
• 扩展性：可在函数中添加自动计算每个模型的检验统计量（如Wilks' Lambda）的逻辑，进一步封装检验流程

内容的提问来源于stack exchange，提问作者user101089