r - lm(offense$R ~ offence$OBP) 和 lm(R ~ OBP) 有什么区别？

Question

我正在尝试使用 R 创建一个线性模型并使用它来预测一些值。主题是棒球数据。如果我这样做:

obp <- lm(offense$R ~ offense$OBP)
predict(obp, newdata=data.frame(OBP=0.5), interval="predict")

我收到错误消息:警告消息:'newdata' 有 1 行，但发现的变量有 20 行。

但是，如果我这样做:

attach(offense)
obp <- lm(R ~ OBP)
predict(obp, newdata=data.frame(OBP=0.5), interval="predict")

它按预期工作，我得到一个结果。两者有什么区别？如果我只打印 OBP 和 offence$OBP，它们看起来是一样的。

Answer 1

在第一种情况下，如果你打印模型，你会得到这个:

Call:
lm(formula = offense$R ~ offense$OBP)

Coefficients:
(Intercept)  offense$OBP  
    -0.1102       0.5276 

但在第二个，你得到这个:

Call:
lm(formula = R ~ OBP)

Coefficients:
(Intercept)          OBP  
    -0.1102       0.5276  

查看系数的名称。当您使用 newdata=data.frame(OBP=0.5) 创建新数据时，这对第一个模型来说没有意义，所以 newdata 被忽略，你只能得到训练数据的预测值。当您使用 offense$R ~ offense$OBP ，公式每边只有两个向量，没有与 data.frame 相关联的名称.

最好的方法是:

obp = lm(R ~ OBP, data=offense)
predict(obp, newdata=data.frame(OBP=0.5), interval="predict")

你会得到正确的结果，预测 OBP=0.5 .