如何从多模型lm lapply循环中提取模型整体最终p值统计量

作为R初学者，你已经写出了批量运行线性回归的代码，现在要提取每个模型的整体p值并关联对应的因变量，这个需求非常常见，下面给你两种实用的解决方法：

你的现有代码与输出 #

你用来批量回归的代码：

linear_summary <- lapply(testdata[,-1], function(x) summary(lm(Kpl ~ x)))

输出示例（截取前2个模型）：

$Y1
Call: lm(formula = Kpl ~ x)
Residuals:
    Min      1Q  Median      3Q     Max 
-1.37567 -0.52392  0.04236  0.67444  0.81316 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)
(Intercept)   1.7282     0.3456   5.001 0.000402 ***
x            -0.1550     0.2712  -0.571 0.579196   
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.772 on 11 degrees of freedom
Multiple R-squared:  0.02883,	Adjusted R-squared:  -0.05946 
F-statistic: 0.3265 on 1 and 11 DF,  p-value: 0.5792

$Y2
Call: lm(formula = Kpl ~ x)
Residuals:
    Min      1Q  Median      3Q     Max 
-1.2472 -0.4236 -0.2057  0.7140  1.0348 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)
(Intercept)   0.6900     0.9010   0.766    0.460
x            0.8832     0.8767   1.007    0.335

Residual standard error: 0.7495 on 11 degrees of freedom
Multiple R-squared:  0.08447,	Adjusted R-squared:  0.001238 
F-statistic: 1.015 on 1 and 11 DF,  p-value: 0.3354

你需要提取每个模型末尾的整体p值，并和对应的因变量（Y1、Y2等）关联成表格。

方法1：基础R实现（无需额外包） #

我们可以在已有的模型结果列表基础上，用sapply遍历每个模型的summary结果，提取F检验的信息并计算p值：

# 先运行你的原始代码得到模型summary列表
linear_summary <- lapply(testdata[,-1], function(x) summary(lm(Kpl ~ x)))

# 批量提取每个模型的整体p值
model_p_values <- sapply(linear_summary, function(summ) {
  # 提取F统计量的F值、自由度1、自由度2
  fstat_details <- summ$fstatistic
  # 计算对应的p值（lower.tail=FALSE表示求P(F > 统计量)）
  pf(fstat_details[1], fstat_details[2], fstat_details[3], lower.tail = FALSE)
})

# 转换成数据框，整理成表格形式
p_value_table <- data.frame(
  因变量 = names(model_p_values),
  模型整体p值 = round(model_p_values, 4)  # 保留4位小数更美观
)

# 打印结果
print(p_value_table)

运行后你会得到类似这样的表格：

因变量 模型整体p值
Y1    Y1      0.5792
Y2    Y2      0.3354
Y3    Y3      0.0001
Y4    Y4      0.0002

方法2：用broom包（更简洁，推荐） #

broom是R中专门用来整理模型结果的工具包，能把复杂的模型输出转成整洁的数据框，非常适合批量处理场景。

步骤1：安装并加载包 #

install.packages("broom")  # 第一次使用需要安装
library(broom)

步骤2：批量提取模型统计量 #

我们可以直接在lapply中调用glance()函数，它会返回包含模型整体统计量的数据框，其中就有我们需要的p.value列：

# 批量生成模型并提取整体统计量
model_stats_list <- lapply(testdata[,-1], function(x) {
  glance(lm(Kpl ~ x))
})

# 把列表中的多个数据框合并成一个
p_value_table <- do.call(rbind, model_stats_list)

# 添加因变量名称列（用数据框的行名）
p_value_table$因变量 <- rownames(p_value_table)

# 整理成我们需要的格式，只保留关键列并调整顺序
p_value_table <- p_value_table[, c("因变量", "p.value")]
colnames(p_value_table) <- c("因变量", "模型整体p值")
p_value_table$`模型整体p值` <- round(p_value_table$`模型整体p值`, 4)

# 打印结果
print(p_value_table)

这种方法的优势是除了p值，你还能轻松获取其他模型统计量（比如R平方、调整R平方等），如果后续有其他需求，直接修改列选择即可。

测试用数据集（对应你提供的数据） #

如果你需要快速验证代码，可以先用下面的代码构造你的数据集：

testdata <- data.frame(
  Kpl = c(0.33767, 0.33767, 1.010474, 1.010474, 1.183276, 1.536974, 1.536974, 2.017965, 2.017965, 2.3436, 2.3436, 2.387598, 2.387598),
  Y1 = c(2.33063062, 0.095967324, 2.344657045, 0.08135992, 0.135626937, 1.507146148, 1.255210981, 1.410299711, 1.032587109, 1.275999998, 1.250513383, 0.182866909, 0.097133916),
  Y2 = c(1.013212308, 0.508830529, 0.842490752, 0.912535398, 0.967877981, 1.428839993, 1.191822955, 1.121560244, 1.372235121, 0.930400789, 1.063880146, 0.89588293, 0.750430855),
  Y3 = c(1.277996888, 0.789257027, 1.240582283, 0.384427466, 0.505801442, 1.316569449, 1.395769591, 1.369835675, 1.390878783, 1.19877482, 1.206719195, 0.416923749, 0.506463633),
  Y4 = c(1.373238355, 0.815877121, 1.262360905, 0.409817599, 0.576288093, 1.392022619, 1.41903939, 1.385143026, 1.42741762, 1.217540034, 1.23325973, 0.45364797, 0.03434754)
)

内容的提问来源于stack exchange，提问作者João Duarte