如何在R语言的dataframe中实现不同y变量对系列x变量的回归？

下面提供几种实用的实现方式，帮你高效完成多因变量的回归分析：

1. 基础循环实现（适合新手） #

假设你的数据框df中，因变量列名为y1、y2、y3，自变量为x1、x2、x3，可以用循环逐个构建回归模型：

# 定义因变量列表
y_vars <- c("y1", "y2", "y3")
# 初始化列表保存模型结果
model_list <- list()

# 循环遍历每个因变量
for (y in y_vars) {
  # 构建公式：y ~ x1 + x2 + x3
  formula_str <- paste(y, "~ x1 + x2 + x3")
  # 拟合线性回归
  model <- lm(as.formula(formula_str), data = df)
  # 保存模型到列表
  model_list[[y]] <- model
}

# 查看单个模型结果，比如y1的回归
summary(model_list[["y1"]])

2. 用purrr包的函数式实现（简洁高效） #

如果你熟悉tidyverse生态，用purrr可以更简洁地批量处理：

library(purrr)
library(broom)

# 定义自变量公式部分
x_formula <- ~ x1 + x2 + x3

# 遍历因变量，拟合模型并整理结果
results <- map(y_vars, function(y) {
  formula <- as.formula(paste(y, deparse(x_formula[[2]])))
  model <- lm(formula, data = df)
  # 用broom包把模型结果转成数据框，方便查看
  tidy(model) %>% mutate(dependent_var = y)
}) %>% bind_rows()

# 查看整理后的系数结果
print(results)

3. 提取关键指标评估模型质量 #

如果之前的结果达不到质量标准，你可以批量提取R²、调整R²、p值等指标：

# 用broom的glance函数提取模型整体指标
model_metrics <- map_dfr(model_list, glance, .id = "dependent_var")
# 查看模型的关键评估指标
select(model_metrics, dependent_var, r.squared, adj.r.squared, p.value)

这样你就能清晰对比每个因变量回归模型的质量，方便后续分析调整。

内容的提问来源于stack exchange，提问作者lilgrass