如何在循环中存储多因变量回归模型并基于AIC/BIC比较模型？

1. 将模型对象保存到列表中 #

你当前的循环里每次都会覆盖est_model，所以得用列表来存储每个回归模型，这样后续才能对多个模型做比较。修改后的代码如下：

library(rcompanion)

depvar <- c("qsec", "hp")
indepvar <- paste(c("mpg", "wt", "am", "disp"), collapse = " + ")

# 初始化空列表存模型
model_list <- list()

for(i in 1:length(depvar)){
  # 把每个模型存入列表，用因变量名当元素名称，方便后续识别
  model_list[[depvar[i]]] <- lm(paste(depvar[i],"~", indepvar), data=mtcars)
}

# 可以查看下存储好的模型
model_list

2. 基于AIC/BIC比较模型 #

方法一：用rcompanion::compareLM() #

直接把列表里的模型传入compareLM()，就能得到包含AIC、BIC在内的多维度对比结果：

# 对比两个模型
model_compare <- compareLM(model_list[[1]], model_list[[2]])
print(model_compare)

如果后续模型数量变多，不用逐个写参数，用do.call一次性传入所有模型更高效：

model_compare <- do.call(compareLM, model_list)
print(model_compare)

方法二：手动提取AIC/BIC #

要是不想依赖rcompanion包，也可以直接用基础函数提取指标并整理成表格：

# 提取每个模型的AIC和BIC值
aic_values <- sapply(model_list, AIC)
bic_values <- sapply(model_list, BIC)

# 整理成直观的数据框
model_metrics <- data.frame(
  模型 = names(model_list),
  AIC = aic_values,
  BIC = bic_values,
  row.names = NULL
)

print(model_metrics)

补充说明 #

• compareLM()还会输出R²、调整R²等统计量，适合全面评估模型表现
• AIC和BIC的数值越小，代表模型在平衡拟合度与复杂度上的表现越好

内容的提问来源于stack exchange，提问作者user10904839