R语言模拟数据集进行模型选择的问题求助

我帮你仔细看了这段模拟代码，问题主要出在数据集生成逻辑和缺少循环遍历这两个核心点上，导致你只处理了第一个数据集，而且统计逻辑完全没跑起来。下面一步步给你拆解错误和修正方案：

一、代码里的核心错误 #

• 变量未定义：你代码里的beta0、beta1、beta2、beta3没有赋值，运行时会直接报错，这是基础疏漏。
• 数据集结构错误：replicate(100, rnorm(n=100))生成的是100×100的矩阵（每行是样本，每列是一个数据集），但你直接把Y赋值成矩阵后，data.full$y和data.full$x都是矩阵，后面调用data.full$y.1和data.full$x.1只取了第一列（第一个数据集），完全没用到剩下的99个数据集。
• 缺少循环遍历逻辑：你没有写循环来逐个处理100个数据集，相当于只跑了一次单数据集测试，自然得不到100次模拟的统计结果。

二、修正后的完整代码 #

# 1. 定义真实模型的参数（3次多项式）
beta0 <- 1
beta1 <- 2
beta2 <- -1
beta3 <- 0.5
n_samples <- 100  # 每个数据集的样本量
n_sim <- 100      # 模拟总次数

# 2. 生成100个数据集的x和误差项（每行=样本，每列=一个数据集）
x_matrix <- replicate(n_sim, rnorm(n_samples))
epsilon_matrix <- replicate(n_sim, rnorm(n_samples))

# 3. 计算每个数据集的y（严格遵循3次多项式真实模型）
y_matrix <- beta0 + beta1 * x_matrix + beta2 * x_matrix^2 + beta3 * x_matrix^3 + epsilon_matrix

# 4. 初始化结果存储向量，记录每个指标选中的模型阶数
cp_selected <- integer(n_sim)
bic_selected <- integer(n_sim)
adjr2_selected <- integer(n_sim)

# 5. 循环遍历每个数据集，执行向后选择
for (i in 1:n_sim) {
  # 提取第i个数据集的x和y
  current_x <- x_matrix[, i]
  current_y <- y_matrix[, i]
  
  # 构建当前数据集的数据框
  data_i <- data.frame(y = current_y, x = current_x)
  
  # 向后选择：最多考虑10次多项式
  mod_bwd <- regsubsets(y ~ poly(x, 10, raw = TRUE), data = data_i, nvmax = 10, method = "backward")
  bwd_summary <- summary(mod_bwd)
  
  # 记录每个指标选中的阶数
  cp_selected[i] <- which.min(bwd_summary$cp)
  bic_selected[i] <- which.min(bwd_summary$bic)
  adjr2_selected[i] <- which.max(bwd_summary$adjr2)
}

# 6. 统计选中正确模型（3次多项式）的次数
cat("Cp选中3次多项式的次数：", sum(cp_selected == 3), "\n")
cat("BIC选中3次多项式的次数：", sum(bic_selected == 3), "\n")
cat("调整R²选中3次多项式的次数：", sum(adjr2_selected == 3), "\n")

三、代码改动说明 #

• 参数补全：补上了真实模型的beta参数，确保生成的y严格符合3次多项式的设定。
• 数据集结构优化：用矩阵统一存储所有模拟数据集，每列对应一个数据集，方便循环提取。
• 循环逻辑添加：用for循环遍历100个数据集，逐个执行向后选择并记录结果。
• 结果统计完善：最后统计三个指标选中真实阶数（3）的次数，这才是你需要的模拟结论。

四、之前结果不符合预期的原因 #

你之前的代码只处理了第一个数据集（y.1和x.1），得到的是单次测试的结果，而非100次模拟的统计值。再加上未定义beta参数，当时的Y计算本身就是错误的，所以得到的Cp选7次、BIC选4次等结果完全不具备参考性。

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