计算Cook距离后，如何删除多元回归的影响值以清理R数据框？

首先先修正你代码里的小问题：需要提前初始化存储模型、Cook距离等的空列表，避免运行时出现未定义对象的报错：

data(varechem, package = "vegan")
data(varespec, package = "vegan")
vare <- cbind(varespec, varechem)

# 提前初始化空列表，避免报错
mod_cook <- list()
cook_distance <- list()
influential <- list()
names_influencial <- list()

for (j in c("Callvulg", "Empenigr")){
  for (soil in c("N", "K",  "S", "P", "Fe")){
    mod_name <- paste( soil, j, sep="_")
    cook_name <- paste( soil, j, sep="_") 
    name <- paste( soil, j, sep="_")
    outliers <- paste( soil, j, sep="_")
    mod_cook[[mod_name]] <- lm(vare[,j] ~ vare[,soil], na.action = na.exclude)
    cook_distance[[cook_name]] <- cooks.distance(mod_cook[[mod_name]])
    sample_size <- nrow(vare)
    influential[[name]] <- which(cook_distance[[cook_name]] > 4/sample_size)
    names_influencial[[outliers]] <- names(influential[[name]])
  }
}

接下来根据你的需求，分两种场景实现异常行移除：

场景1：全局移除所有模型标记的异常行（去重） #

如果要把所有回归模型中检测到的异常行一次性从原数据框vare中移除，只保留从未被标记为异常的行：

# 收集所有模型的异常行号并去重
all_outliers <- unique(unlist(influential))
# 移除异常行，生成清理后的全局数据集
vare_clean_global <- vare[-all_outliers, ]

场景2：为每个模型单独生成移除对应异常后的数据集 #

如果需要为每一组（土壤变量+物种）的回归模型单独保留移除该模型异常行后的数据集，可以用以下两种方式：

方式1：在原循环内直接生成 #

修改循环代码，每次计算完异常行后立即生成对应清理数据集：

# 初始化存储各模型清理后数据集的列表
vare_clean_list <- list()

for (j in c("Callvulg", "Empenigr")){
  for (soil in c("N", "K",  "S", "P", "Fe")){
    mod_name <- paste( soil, j, sep="_")
    cook_name <- paste( soil, j, sep="_") 
    name <- paste( soil, j, sep="_")
    outliers <- paste( soil, j, sep="_")
    
    mod_cook[[mod_name]] <- lm(vare[,j] ~ vare[,soil], na.action = na.exclude)
    cook_distance[[cook_name]] <- cooks.distance(mod_cook[[mod_name]])
    sample_size <- nrow(vare)
    influential[[name]] <- which(cook_distance[[cook_name]] > 4/sample_size)
    names_influencial[[outliers]] <- names(influential[[name]])
    
    # 生成当前模型对应的清理后数据集
    vare_clean_list[[mod_name]] <- if(length(influential[[name]]) > 0) {
      vare[-influential[[name]], ]
    } else {
      vare  # 无异常行时直接保留原数据
    }
  }
}

之后可通过vare_clean_list[["N_Callvulg"]]这类索引获取对应模型的清理数据集。

方式2：事后批量生成 #

如果已经跑完原循环，也可以事后遍历influential列表生成：

vare_clean_list <- list()
for (model_name in names(influential)) {
  vare_clean_list[[model_name]] <- if(length(influential[[model_name]]) > 0) {
    vare[-influential[[model_name]], ]
  } else {
    vare
  }
}

额外注意点 #

• 你用的4/sample_size是Cook距离常用的异常判断阈值，若样本量较大，也可考虑用1作为阈值；
• na.action = na.exclude会让lm跳过缺失值，which()会自动忽略Cook距离结果中的NA，无需额外处理；
• 移除异常行后建议重新拟合模型，验证拟合效果，避免过度删除数据导致分析偏差。

内容的提问来源于stack exchange，提问作者i.b