如何生成适配glm.nb与stepaic的负二项回归变量交互分析公式？

我来帮你搞定这个公式构建的问题！你已经完成了交互项的生成工作，现在只需要把目标变量、主效应和交互项正确拼接成glm.nb和stepAIC能识别的公式对象就可以了。

问题分析 #

你当前代码里的target_formula<- target_col ~ interactions + combinations存在两个问题：

• interactions是字符向量，直接放在公式里不会被解析成对应的变量名
• combinations没有定义，程序不知道它指代什么

下面是具体的解决方案：

方案1：基于你已生成的交互项列构建公式 #

你已经通过combn生成了两两交互的乘积列，我们可以直接提取这些列的名称，和主效应变量一起拼成公式：

library(dplyr)
library(purrr)
library(stringr)
library(MASS)  # stepAIC需要这个包
library(nycflights13)

df <- nycflights13::weather
interactions <- c("hour","dewp","humid","wind_dir","wind_speed")
target_col <- "temp"

# 生成交互项列（保留你的原有代码）
out <- combn(interactions, 2, function(x) {
  df %>% 
    dplyr::select(x) %>% 
    transmute(!! str_c(x, collapse="_") := reduce(., `*`))
}, simplify = FALSE) %>% 
  bind_cols() %>% 
  bind_cols(df, .)

# 提取交互项的列名
interaction_names <- names(out)[!names(out) %in% names(df)]

# 构建公式字符串并转换为公式对象
formula_str <- paste(target_col, "~", paste(c(interactions, interaction_names), collapse = " + "))
target_formula <- as.formula(formula_str)

# 拟合负二项模型并进行逐步回归
model <- glm.nb(target_formula, data = out)
model_step <- stepAIC(model)

方案2：直接在公式中定义交互项（更简洁，无需额外生成列） #

其实glm系列函数支持直接在公式中用:表示交互项，你不需要提前生成乘积列，这样代码更简洁：

library(dplyr)
library(MASS)
library(nycflights13)

df <- nycflights13::weather
interactions <- c("hour","dewp","humid","wind_dir","wind_speed")
target_col <- "temp"

# 生成所有两两交互项的公式字符串（比如hour:dewp, hour:humid...）
interaction_terms <- combn(interactions, 2, function(x) paste(x, collapse = ":"))

# 拼接主效应和交互项，构建完整公式
formula_str <- paste(target_col, "~", paste(c(interactions, interaction_terms), collapse = " + "))
target_formula <- as.formula(formula_str)

# 建模和逐步回归
model <- glm.nb(target_formula, data = df)
model_step <- stepAIC(model)

关键说明 #

• 无论哪种方案，都需要用as.formula()把字符串转换成公式对象，这样glm.nb才能正确解析变量
• stepAIC属于MASS包，记得提前加载
• 方案2的好处是不需要修改原数据集，直接通过公式语法定义交互项，更符合R的建模习惯

内容的提问来源于stack exchange，提问作者Stat.Enthus