如何按Item分组对Year与Value做线性回归并提取参数？

你的代码核心问题是**lm函数中指定了全局数据集df**，导致分组操作完全失效——不管怎么分组，lm(value ~ year, data=df)始终用整个原始数据集拟合回归，所以所有item的系数结果完全相同。

1. 正确实现分组+单独回归的方法 #

方法一：基础dplyr实现（无需额外包） #

在group_by之后，summarise中调用lm时不要指定data=df，lm会自动识别当前分组的子数据集：

library(dplyr)
df %>%
  group_by(item) %>%
  summarise(
    intercept = coef(lm(value ~ year))["(Intercept)"],
    slope = coef(lm(value ~ year))["year"],
    .groups = "drop"  # 取消分组状态，输出普通数据框
  )

如果想避免重复拟合模型（提升效率），可以先把模型存为列表，再批量提取系数：

df %>%
  group_by(item) %>%
  summarise(
    model = list(lm(value ~ year)),
    .groups = "drop"
  ) %>%
  mutate(
    intercept = sapply(model, function(x) coef(x)["(Intercept)"]),
    slope = sapply(model, function(x) coef(x)["year"])
  ) %>%
  select(-model)

方法二：用broom包简化系数提取（推荐） #

broom包的tidy()函数可以直接把模型输出转为整洁的数据框，信息更完整：

library(dplyr)
library(broom)

df %>%
  group_by(item) %>%
  summarise(tidy(lm(value ~ year)), .groups = "drop")

输出结果会包含每个item的截距、斜率的估计值、标准误、t值和p值，便于后续分析。

关键原理 #

在dplyr的分组操作中，summarise/mutate的执行环境是当前分组的子数据集，直接引用列名（如year、value）或使用cur_data()获取当前组数据，才能让lm针对每组单独拟合模型。

内容的提问来源于stack exchange，提问作者BoTz