Расчет линейной линии тренда для каждой строки таблицы в R

design.mat <- cbind(1,1:3)
response.mat <- t(data[,1:3])

reg <- lm.fit(design.mat, response.mat)$coefficients
data <- cbind(data, t(reg))
#  day1 day2 day3 output.intercept output.slope        x1 x2
#1    1    2    3          0.00000            1  0.000000  1
#2    3    2    1          4.00000           -1  4.000000 -1
#3    1    1    5         -1.66667            2 -1.666667  2

Однако, если у вас большой объем данных, может потребоваться цикл из-за ограничений памяти. В этом случае я бы использовал длинный формат data.table и использовал синтаксис пакета by для цикла.

Используя ваши данные,

day1 <- c(1,3,1)
day2 <- c(2,2,1)
day3 <- c(3,1,5)
output.intercept <- c(0,4,-1.66667)
output.slope <- c(1,-1,2)
dat <- data.frame(day1,day2,day3)

Я думаю, вам нужно что-то вроде этого:

fits <- lm.fit(cbind(1, seq_len(nrow(dat))), t(dat))
t(coef(fits))

Который дает

R> t(coef(fits))
         x1 x2
[1,]  0.000  1
[2,]  4.000 -1
[3,] -1.667  2

Их можно добавить в dat вот так

dat <- cbind(dat, t(coef(fits)))
names(dat)[-(1:3)] <- c("Intercept","Slope")

R> dat
  day1 day2 day3 Intercept Slope
1    1    2    3     0.000     1
2    3    2    1     4.000    -1
3    1    1    5    -1.667     2

Возможно, было бы проще хранить данные другим способом, используя столбцы в качестве временных рядов, а не строки, если у вас есть какой-либо контроль над первоначальным расположением данных, поскольку это позволило бы избежать необходимости транспонировать большую матрицу при подгонке с помощью lm.fit() . В идеале вы хотите, чтобы данные изначально были расположены следующим образом:

     [,1] [,2] [,3]
day1    1    3    1
day2    2    2    1
day3    3    1    5

Т.е. строки как временные точки, а не отдельные серии, как сейчас. Это связано с тем, как R ожидает расположения данных. Обратите внимание, что мы должны транспонировать ваш dat в вызов lm.fit(), который повлечет за собой копию большого объекта. Следовательно, если вы можете контролировать, как эти данные организованы / поставляются, прежде чем они попадут в R, это поможет в решении большой проблемы.

lm.fit() используется, поскольку это базовый минимальный код, используемый lm(), но мы избегаем сложностей, связанных с анализом формулы и созданием матриц моделей. Если вы хотите быть более эффективным, вам, возможно, придется самостоятельно выполнить разложение QR (код находится в lm.fit() для этого), поскольку есть несколько вещей, которые lm.fit() выполняет в качестве проверок работоспособности, с которыми вы могли бы отказаться, если вы уверены, что ваши данные не приведут к сингулярным матрицам и т. д.

У меня была та же проблема, что и у OP. Это решение будет работать с данными с НА. В этом случае все предыдущие ответы вызывают для меня ошибку:

slp = function(x) {
  y = t(x)
  y = y[!is.na(y)]
  len = length(y):1
  b = cov(y,len)/var(len)
  return(b)}

reg_slp <- apply(data,1,slp)

Получается только уклон, а вот перехват можно легко добавить. Я сомневаюсь, что это особенно эффективно, но в моем случае это было эффективно.

Или вот так?

day1 <- c(1,3,1)
day2 <- c(2,2,1)
day3 <- c(3,1,5)
data <- data.frame(day1,day2,day3)
y<-1:3

reg<-apply(data,1,function(x) lm(as.numeric(x)~y))
data[,c("intercept","slope")]<-rbind(reg[[1]]$coef,reg[[2]]$coef,reg[[3]]$coef)