如何在R中编写单一模型实现多x变量与单y变量的简单线性回归分析

完全可以，你可以通过R的循环或者函数式编程工具批量完成所有自变量和因变量的单变量回归校验，不需要逐个编写模型代码，以下是两种最常用的实现方案：

前置假设 #

你的数据集命名为df，其中因变量列名为y，其余400列均为需要分析的自变量x，你可以根据自己的实际数据调整变量筛选逻辑。

方法1：基础R循环实现 #

不需要额外安装第三方包，逻辑直观易修改：

# 提取所有自变量的列名
x_vars <- setdiff(colnames(df), "y")
# 初始化结果存储表
result_df <- data.frame(
  x_name = character(),
  regression_coef = numeric(),
  p_value = numeric(),
  r_squared = numeric(),
  stringsAsFactors = FALSE
)
# 循环拟合每个x的单变量回归模型
for (x_col in x_vars) {
  # 动态生成回归公式
  fit_formula <- as.formula(paste0("y ~ ", x_col))
  # 拟合线性模型
  fit_model <- lm(fit_formula, data = df)
  # 提取模型指标
  model_summary <- summary(fit_model)
  # 写入结果表
  result_df <- rbind(result_df, data.frame(
    x_name = x_col,
    regression_coef = model_summary$coefficients[2, 1],
    p_value = model_summary$coefficients[2, 4],
    r_squared = model_summary$r.squared
  ))
}

运行完成后result_df中就存储了所有400个自变量对应的回归结果，你可以直接按p值、R²等指标排序筛选。

方法2：tidyverse生态批量实现 #

代码更简洁，输出结果格式更规范，适合习惯tidy语法的用户：

# 加载所需包
library(tidyverse)
library(broom)

# 批量拟合+提取结果
result_df <- df %>%
  # 将所有自变量转为长表格式
  pivot_longer(cols = -y, names_to = "x_name", values_to = "x_value") %>%
  # 按自变量分组
  group_by(x_name) %>%
  # 每组拟合模型并提取所需指标
  summarise(
    fit_model = list(lm(y ~ x_value)),
    regression_coef = tidy(fit_model[[1]])$estimate[2],
    p_value = tidy(fit_model[[1]])$p.value[2],
    r_squared = glance(fit_model[[1]])$r.squared
  ) %>%
  # 移除临时存储的模型对象
  select(-fit_model)

如果你需要增加残差检验、交叉验证、异常值校验等逻辑，只需要在循环或者summarise代码块中添加对应计算逻辑即可，不需要调整整体批量运行的框架。

内容的提问来源于stack exchange，提问作者Totti