如何使用dplyr管道执行lm线性模型拟合并正确调用glance提取结果

你遇到的报错本质是传参类型错误：dplyr::do()返回的是包含模型列表列的tibble对象，你直接把整个tibble传给glance()时，函数找不到针对tibble类的处理方法，自然会抛出错误。glance()接收的输入应该是lm类的模型对象，不是存储模型的tibble。

以下几种管道写法都能得到和非管道写法完全一致的模型统计结果，你可以根据使用场景选择：

• 单模型最简写法（不需要留存模型对象时首选）
  不需要嵌套操作，直接把管道里拟合的模型传给glance()即可：

library(broom)
library(tidyverse)
dat <- structure(list(x = c(800, 400, 200, 100, 50), y = c(605, 467, 
323, 219, 110)), row.names = c(NA, -5L), class = c("tbl_df", 
"tbl", "data.frame"))

# 管道直接拟合+提取统计量
dat %>% 
  lm(y ~ x, data = .) %>% 
  glance()

• 沿用do()语法的修正写法
  如果要保留do()的使用习惯，只需要从生成的tibble中取出模型对象，再传给glance()：

fit_conc_df <- dat %>% 
  do(fit_conc = lm(y ~ x, data = .)) %>%
  summarise(glance(fit_conc[[1]]))

如果是配合group_by()分组拟合多个模型，只需要把fit_conc[[1]]替换为对列表列的批量映射即可，比如搭配purrr::map_dfr直接按行合并所有模型的统计量。

• 现行tidyverse推荐的标准化建模流程写法
  目前更推荐用nest()+purrr::map()的范式做管道内建模，逻辑更清晰，后续拓展提取系数、批量预测也更方便：

fit_res <- dat %>%
  # 把所有数据嵌套为列表列
  nest(input_data = everything()) %>%
  mutate(
    # 批量拟合模型
    lm_model = map(input_data, ~lm(y ~ x, data = .x)),
    # 批量提取模型统计量
    model_metrics = map(lm_model, glance)
  ) %>%
  # 解嵌套得到结构化的统计结果
  unnest(model_metrics) %>%
  # 按需移除不需要的中间列
  select(-input_data, -lm_model)

运行以上任意一种写法，都能得到包含r.squared、adj.r.squared、AIC、BIC等指标的标准统计结果，和你非管道写法的输出完全一致。

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