如何自动按Y列划分数据集并批量执行lm回归分析？

方法一：使用dplyr包（推荐，代码简洁直观） #

1. 先构造示例数据集

data1 <- data.frame(
  X = c(1,1,1,1,2,2,3,3,3),
  Z = c(3,5,7,3,2,8,9,1,4),
  Y = c(2,5,1,2,20,15,5,2,1)
)

2. 加载dplyr并执行分组回归

# 若未安装dplyr，先执行 install.packages("dplyr")
library(dplyr)

data2 <- data1 %>%
  # 按Y的唯一值自动分组
  group_by(Y) %>%
  # 对每个子集执行回归，提取截距和斜率
  summarize(
    B_0 = coef(lm(Z ~ X))[1],  # 提取回归截距项
    B_1 = coef(lm(Z ~ X))[2]   # 提取X的斜率系数
  )

# 查看最终结果
print(data2)

方法二：使用Base R（无需额外安装包） #

# 构造示例数据集
data1 <- data.frame(
  X = c(1,1,1,1,2,2,3,3,3),
  Z = c(3,5,7,3,2,8,9,1,4),
  Y = c(2,5,1,2,20,15,5,2,1)
)

# 按Y分组执行回归，返回每组的系数结果
reg_results <- by(data1, data1$Y, function(subset) {
  model <- lm(Z ~ X, data = subset)
  # 返回当前组的Y值、截距、斜率
  c(Y = unique(subset$Y), B_0 = coef(model)[1], B_1 = coef(model)[2])
})

# 将分散的结果合并为标准数据框
data2 <- do.call(rbind, reg_results) %>% as.data.frame()

# 查看结果
print(data2)

处理样本量不足的异常情况 #

如果某个Y对应的子集样本量过少（比如仅1条数据），lm会报错。可以添加判断逻辑，自动跳过无效分组并返回NA：

# dplyr版本的优化代码
data2 <- data1 %>%
  group_by(Y) %>%
  summarize(
    B_0 = if(n() >= 2) coef(lm(Z ~ X))[1] else NA,
    B_1 = if(n() >= 2) coef(lm(Z ~ X))[2] else NA
  )

内容的提问来源于stack exchange，提问作者user352188