「向量化」R中的這個for循環？ （抑制lm中的交互主效應）

Question

當在lm中指定交互時，R默認包含主效應，沒有選項可以禁止它們。這通常是適當和方便的，但是在某些情況下（估計者內部，LHS變量比率等）有些情況下這是不恰當的。

我已經得到了這個代碼，它可以將一個對數轉換變量適用於響應變量，並且獨立於數據的子集內。

這裏是一個傻尚未再現的例子：

id = as.factor(c(1,2,2,3,3,3,4,4,4,4,5,5,5,5,6,7,7,8,8,8,9,9,9,9,10)) 
x = rexp(length(id)) 
y = rnorm(length(id)) 
logx = log(x) 
data = data.frame(id,y,logx) 

for (i in data$id){ 
    sub = subset(data, id==i) #This splits the data by id 
    m = lm(y~logx-1,data=sub) #This gives me the linear (log) fit for one of my id's 
    sub$x.tilde = log(1+3)*m$coef #This linearizes it and gives me the expected value for x=3 
    data$x.tilde[data$id==i] = sub$x.tilde #This puts it back into the main dataset 
    data$tildecoeff[data$id==i] = m$coef #This saves the coefficient (I use it elsewhere for plotting) 
    } 

欲適合像模型中的以下內容：

Y = B（X * ID）+ E

沒有攔截，也沒有id的主效應。從循環中可以看出，當X = 3時，我對Y的期望感興趣，通過原點約束擬合（因爲Y是Y的（記錄的）比率[X = something]/Y [X = 0 ]。

但是，如果我指定

m = lm(Y~X*as.factor(id)-1) 

有抑制id主要影響的手段。我需要在一個迭代算法運行這個循環數百次，並作爲一個循環是遠遠太慢了

去掉這段代碼的另一個好處是它可以更方便地得到預測間隔

（請注意，我不需要剔除主要效果和攔截是否不恰當 - 它通常是這樣，但我可以保證它不在這種情況下）。

在此先感謝您的任何想法！

Answer 1

我想你想

m <- lm(y ~ 0 + logx : as.factor(id)) 

看到R-intro '11.1 Defining statistical models; formulae'