步骤1：提取响应变量列名 #

先从数据框里筛选出所有响应变量的列名，比如示例数据中以response.开头的列：

# 用基础R提取响应变量列名
resp_vars <- grep("^response\\.", names(ex.dat), value = TRUE)

# 如果你用dplyr，也可以这么写：
# resp_vars <- ex.dat %>% dplyr::select(starts_with("response.")) %>% names()

步骤2：定义模型拟合与结果提取函数 #

写一个函数，输入响应变量名就能拟合指定GAM模型，并从summary()里提取你需要的关键统计量（比如R²、解释偏差、平滑项的p值等）：

library(mgcv)

fit_gam_extract <- function(resp_var, data) {
  # 动态构建模型公式
  formula <- as.formula(paste0(resp_var, " ~ s(predictor, bs = 'cs')"))
  # 拟合GAM模型（原模型里的+1是显式声明截距，gam默认包含，这里可以保留也可以省略）
  mod <- gam(formula, family = Gamma(link = "log"), method = "REML", data = data)
  mod_sum <- summary(mod)
  
  # 整理需要的统计量，按需调整
  result <- data.frame(
    R_squared = mod_sum$r.sq,
    Deviance_Explained = mod_sum$dev.expl,
    Smooth_EDF = mod_sum$s.table[,"edf"],
    Smooth_Pvalue = mod_sum$s.table[,"p-value"],
    AIC = mod_sum$aic,
    BIC = mod_sum$bic
  )
  return(result)
}

步骤3：用lapply迭代运行所有模型 #

遍历所有响应变量，应用上面的函数，最后把结果合并成一个规范的数据框：

# 批量运行模型
all_results <- lapply(resp_vars, fit_gam_extract, data = ex.dat)
# 合并结果并设置行名为响应变量名
results_df <- do.call(rbind, all_results)
rownames(results_df) <- resp_vars

步骤4：导出为CSV文件 #

用write.csv把结果导出到本地：

write.csv(results_df, file = "gam_model_summary.csv", row.names = TRUE)

补充提示 #

• 如果需要提取summary()里的其他内容（比如截距项的系数、标准误），可以从mod_sum$p.table中提取对应字段，补充到result数据框里。
• 注意Gamma分布要求响应变量为正数，示例数据里有0值，实际运行可能会出现警告/错误，建议提前处理（比如给0值加一个极小常数，或者改用合适的分布）。
• 也可以用sapply替代lapply，直接得到矩阵后转置，效果一样：

results_df <- t(as.data.frame(sapply(resp_vars, fit_gam_extract, data = ex.dat)))

内容的提问来源于stack exchange，提问作者JKO