我有一个21列的单个国家的出口贸易数据数据集。第一列表示年份（1962-2014），而其他20个是贸易伙伴。我试图对年份列和每个列进行线性回归。我尝试过这里推荐的方法：需要使用的Running multiple, simple linear regressions from dataframe in R
combn(names(DF), 2, function(x){lm(DF[, x])}, simplify = FALSE)
然而，这只产生每对的截距，这对我来说不如回归的斜率重要。
另外，我试图将我的数据集用作时间序列，但是当我尝试运行时
lm(dimnames~., brazilts, na.action=na.exclude)
（其中brazilts是我的数据集，作为从“1962”到“2014”的时间序列）它返回：
Error in model.frame.default(formula = dimnames ~ ., data = brazilts, :
object is not a matrix.
因此，我尝试使用矩阵的相同方法，但然后它返回错误：
Error in model.frame.default(formula = . ~ YEAR, data = brazilmatrix, :
'data' must be a data.frame, not a matrix or an array
（其中brazilmatrix是我的数据集，作为data.matrix，其中包括多年的专栏）。
真的，我甚至不精通R和此时。最终目标是创建一个循环，我可以使用这个循环来获得28个国家/地区每年国家/地区对的总出口数据集的回归。也许我是以完全错误的方式攻击这个，所以任何帮助或批评都是受欢迎的。请记住，这些年（1962-2014）实际上是我的解释变量，总出口的价值是我的因变量，这可能会在上面的例子中抛弃我的语法。提前致谢！
只是为了增加一个替代方案，我建议沿着这条路走：
library(reshape2)
library(dplyr)
library(broom)
df <- melt(data.frame(x = 1962:2014,
y1 = rnorm(53),
y2 = rnorm(53),
y3 = rnorm(53)),
id.vars = "x")
df %>% group_by(variable) %>% do(tidy(lm(value ~ x, data=.)))
在这里，我只是融化数据，以便所有相关列都由行组给出，以便能够使用dplyr的分组操作。这会将以下数据帧作为输出：
Source: local data frame [6 x 6]
Groups: variable [3]
variable term estimate std.error statistic p.value
(fctr) (chr) (dbl) (dbl) (dbl) (dbl)
1 y1 (Intercept) -3.646666114 18.988154862 -0.1920495 0.8484661
2 y1 x 0.001891627 0.009551103 0.1980533 0.8437907
3 y2 (Intercept) -8.939784046 16.206935047 -0.5516024 0.5836297
4 y2 x 0.004545156 0.008152140 0.5575415 0.5795966
5 y3 (Intercept) 21.699503502 16.785586452 1.2927462 0.2019249
6 y3 x -0.010879271 0.008443204 -1.2885240 0.2033785
这是继续使用系数的一种非常方便的形式。所需要的只是融化数据框，使所有列都是数据集中的行，然后使用dplyr的group_by在所有子集中执行回归。 broom::tidy将回归输出放入一个不错的数据帧中。有关更多信息，请参阅?broom。
如果您需要让模型进行某种调整（对lm对象实现），那么您还可以执行以下操作：
df %>% group_by(variable) %>% do(mod = lm(value ~ x, data=.))
Source: local data frame [3 x 2]
Groups: <by row>
# A tibble: 3 x 2
variable mod
* <fctr> <list>
1 y1 <S3: lm>
2 y2 <S3: lm>
3 y3 <S3: lm>
这里，对于每个变量，lm对象存储在数据帧中。因此，如果您想获得第一个模型输出，您可以像访问任何普通数据帧一样访问它，例如
tmp <- df %>% group_by(variable) %>% do(mod = lm(value ~ x, data=.))
tmp[tmp$variable == "y1",]$mod
[[1]]
Call:
lm(formula = value ~ x, data = .)
Coefficients:
(Intercept) x
-1.807255 0.001019
如果你想将一些方法应用于所有lm对象，这很方便，因为你可以使用tmp$mod给你一个列表的事实，这使得它很容易传递到例如lapply。
除了这样做的统计理由之外，编程问题是一个有趣的问题。这是一个解决方案，但可能不是最优雅的解决方案。首先，创建一个示例数据集：
x = c(1962:2014)
y1 = c(rnorm(53))
y2 = c(rnorm(53))
y3 = c(rnorm(53))
mydata = data.frame(x, y1, y2, y3)
attach(mydata)
head(mydata)
# x y1 y2 y3
#1 1962 -0.9884054 -1.68208217 0.5980446
#2 1963 -1.0741098 0.51309753 1.0986366
#3 1964 0.1357549 -0.23427820 0.1482258
#4 1965 -0.8846920 -0.60375400 0.7162992
#5 1966 -0.5529187 0.85573739 0.5541827
#6 1967 0.4881922 -0.09360152 -0.5379037
接下来，使用for循环执行几个回归：
for(i in 2:4){
reg = lm(x ~ mydata[,i])
print(reg)
}
Call:
lm(formula = x ~ mydata[, i])
Coefficients:
(Intercept) mydata[, i]
1988.0088 -0.1341
Call:
lm(formula = x ~ mydata[, i])
Coefficients:
(Intercept) mydata[, i]
1987.87 2.07
Call:
lm(formula = x ~ mydata[, i])
Coefficients:
(Intercept) mydata[, i]
1987.304 -4.101