Tidy 總結了有關模型組件的信息。模型組件可能是回歸中的單個項、單個假設、聚類或類。 tidy 所認為的模型組件的確切含義因模型而異，但通常是不言而喻的。如果模型具有多種不同類型的組件，您將需要指定要返回哪些組件。
參數
- x
-
由
stats::factanal()創建的factanal對象。 - ...
-
附加參數。不曾用過。僅需要匹配通用簽名。注意：拚寫錯誤的參數將被吸收到
...中，並被忽略。如果拚寫錯誤的參數有默認值，則將使用默認值。例如，如果您傳遞conf.lvel = 0.9，所有計算將使用conf.level = 0.95進行。這裏有兩個異常：
也可以看看
其他事實整理：augment.factanal()、glance.factanal()
例子
set.seed(123)
# generate data
library(dplyr)
library(purrr)
m1 <- tibble(
v1 = c(1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 3, 3, 3, 3, 3, 4, 5, 6),
v2 = c(1, 2, 1, 1, 1, 1, 2, 1, 2, 1, 3, 4, 3, 3, 3, 4, 6, 5),
v3 = c(3, 3, 3, 3, 3, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 5, 4, 6),
v4 = c(3, 3, 4, 3, 3, 1, 1, 2, 1, 1, 1, 1, 2, 1, 1, 5, 6, 4),
v5 = c(1, 1, 1, 1, 1, 3, 3, 3, 3, 3, 1, 1, 1, 1, 1, 6, 4, 5),
v6 = c(1, 1, 1, 2, 1, 3, 3, 3, 4, 3, 1, 1, 1, 2, 1, 6, 5, 4)
)
# new data
m2 <- map_dfr(m1, rev)
# factor analysis objects
fit1 <- factanal(m1, factors = 3, scores = "Bartlett")
fit2 <- factanal(m1, factors = 3, scores = "regression")
# tidying the object
tidy(fit1)
#> # A tibble: 6 × 5
#> variable uniqueness fl1 fl2 fl3
#> <chr> <dbl> <dbl> <dbl> <dbl>
#> 1 v1 0.005 0.944 0.182 0.267
#> 2 v2 0.101 0.905 0.235 0.159
#> 3 v3 0.005 0.236 0.210 0.946
#> 4 v4 0.224 0.180 0.242 0.828
#> 5 v5 0.0843 0.242 0.881 0.286
#> 6 v6 0.005 0.193 0.959 0.196
tidy(fit2)
#> # A tibble: 6 × 5
#> variable uniqueness fl1 fl2 fl3
#> <chr> <dbl> <dbl> <dbl> <dbl>
#> 1 v1 0.005 0.944 0.182 0.267
#> 2 v2 0.101 0.905 0.235 0.159
#> 3 v3 0.005 0.236 0.210 0.946
#> 4 v4 0.224 0.180 0.242 0.828
#> 5 v5 0.0843 0.242 0.881 0.286
#> 6 v6 0.005 0.193 0.959 0.196
# augmented dataframe
augment(fit1)
#> # A tibble: 18 × 4
#> .rownames .fs1 .fs2 .fs3
#> <chr> <dbl> <dbl> <dbl>
#> 1 1 -0.904 -0.931 0.948
#> 2 2 -0.869 -0.933 0.935
#> 3 3 -0.908 -0.932 0.962
#> 4 4 -1.00 -0.253 0.818
#> 5 5 -0.904 -0.931 0.948
#> 6 6 -0.745 0.727 -0.788
#> 7 7 -0.710 0.725 -0.801
#> 8 8 -0.750 0.726 -0.774
#> 9 9 -0.808 1.40 -0.930
#> 10 10 -0.745 0.727 -0.788
#> 11 11 0.927 -0.931 -0.837
#> 12 12 0.963 -0.933 -0.849
#> 13 13 0.923 -0.932 -0.823
#> 14 14 0.829 -0.253 -0.967
#> 15 15 0.927 -0.931 -0.837
#> 16 16 0.422 2.05 1.29
#> 17 17 1.47 1.29 0.545
#> 18 18 1.88 0.309 1.95
augment(fit2)
#> # A tibble: 18 × 4
#> .rownames .fs1 .fs2 .fs3
#> <chr> <dbl> <dbl> <dbl>
#> 1 1 -0.897 -0.925 0.936
#> 2 2 -0.861 -0.927 0.924
#> 3 3 -0.901 -0.926 0.950
#> 4 4 -0.993 -0.251 0.809
#> 5 5 -0.897 -0.925 0.936
#> 6 6 -0.741 0.720 -0.784
#> 7 7 -0.706 0.718 -0.796
#> 8 8 -0.745 0.719 -0.770
#> 9 9 -0.803 1.39 -0.923
#> 10 10 -0.741 0.720 -0.784
#> 11 11 0.917 -0.925 -0.830
#> 12 12 0.952 -0.927 -0.842
#> 13 13 0.913 -0.926 -0.816
#> 14 14 0.820 -0.252 -0.958
#> 15 15 0.917 -0.925 -0.830
#> 16 16 0.426 2.04 1.28
#> 17 17 1.46 1.29 0.548
#> 18 18 1.88 0.314 1.95
# augmented dataframe (with new data)
augment(fit1, data = m2)
#> # A tibble: 18 × 10
#> .rownames v1 v2 v3 v4 v5 v6 .fs1 .fs2 .fs3
#> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#> 1 1 6 5 6 4 5 4 -0.904 -0.931 0.948
#> 2 2 5 6 4 6 4 5 -0.869 -0.933 0.935
#> 3 3 4 4 5 5 6 6 -0.908 -0.932 0.962
#> 4 4 3 3 1 1 1 1 -1.00 -0.253 0.818
#> 5 5 3 3 1 1 1 2 -0.904 -0.931 0.948
#> 6 6 3 3 1 2 1 1 -0.745 0.727 -0.788
#> 7 7 3 4 1 1 1 1 -0.710 0.725 -0.801
#> 8 8 3 3 1 1 1 1 -0.750 0.726 -0.774
#> 9 9 1 1 1 1 3 3 -0.808 1.40 -0.930
#> 10 10 1 2 1 1 3 4 -0.745 0.727 -0.788
#> 11 11 1 1 1 2 3 3 0.927 -0.931 -0.837
#> 12 12 1 2 1 1 3 3 0.963 -0.933 -0.849
#> 13 13 1 1 1 1 3 3 0.923 -0.932 -0.823
#> 14 14 1 1 3 3 1 1 0.829 -0.253 -0.967
#> 15 15 1 1 3 3 1 2 0.927 -0.931 -0.837
#> 16 16 1 1 3 4 1 1 0.422 2.05 1.29
#> 17 17 1 2 3 3 1 1 1.47 1.29 0.545
#> 18 18 1 1 3 3 1 1 1.88 0.309 1.95
augment(fit2, data = m2)
#> # A tibble: 18 × 10
#> .rownames v1 v2 v3 v4 v5 v6 .fs1 .fs2 .fs3
#> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#> 1 1 6 5 6 4 5 4 -0.897 -0.925 0.936
#> 2 2 5 6 4 6 4 5 -0.861 -0.927 0.924
#> 3 3 4 4 5 5 6 6 -0.901 -0.926 0.950
#> 4 4 3 3 1 1 1 1 -0.993 -0.251 0.809
#> 5 5 3 3 1 1 1 2 -0.897 -0.925 0.936
#> 6 6 3 3 1 2 1 1 -0.741 0.720 -0.784
#> 7 7 3 4 1 1 1 1 -0.706 0.718 -0.796
#> 8 8 3 3 1 1 1 1 -0.745 0.719 -0.770
#> 9 9 1 1 1 1 3 3 -0.803 1.39 -0.923
#> 10 10 1 2 1 1 3 4 -0.741 0.720 -0.784
#> 11 11 1 1 1 2 3 3 0.917 -0.925 -0.830
#> 12 12 1 2 1 1 3 3 0.952 -0.927 -0.842
#> 13 13 1 1 1 1 3 3 0.913 -0.926 -0.816
#> 14 14 1 1 3 3 1 1 0.820 -0.252 -0.958
#> 15 15 1 1 3 3 1 2 0.917 -0.925 -0.830
#> 16 16 1 1 3 4 1 1 0.426 2.04 1.28
#> 17 17 1 2 3 3 1 1 1.46 1.29 0.548
#> 18 18 1 1 3 3 1 1 1.88 0.314 1.95
相關用法
- R broom tidy.fitdistr 整理 a(n) fitdistr 對象
- R broom tidy.fixest 整理 a(n) 個最固定的對象
- R broom tidy.felm 整理 a(n) 毛氈物體
- R broom tidy.robustbase.glmrob 整理 a(n) glmrob 對象
- R broom tidy.acf 整理 a(n) acf 對象
- R broom tidy.robustbase.lmrob 整理 a(n) lmrob 對象
- R broom tidy.biglm 整理 a(n) biglm 對象
- R broom tidy.garch 整理 a(n) garch 對象
- R broom tidy.rq 整理 a(n) rq 對象
- R broom tidy.kmeans 整理 a(n) kmeans 對象
- R broom tidy.betamfx 整理 a(n) betamfx 對象
- R broom tidy.anova 整理 a(n) anova 對象
- R broom tidy.btergm 整理 a(n) btergm 對象
- R broom tidy.cv.glmnet 整理 a(n) cv.glmnet 對象
- R broom tidy.roc 整理 a(n) roc 對象
- R broom tidy.poLCA 整理 a(n) poLCA 對象
- R broom tidy.emmGrid 整理 a(n) emmGrid 對象
- R broom tidy.Kendall 整理 a(n) Kendall 對象
- R broom tidy.survreg 整理 a(n) survreg 對象
- R broom tidy.ergm 整理 a(n) ergm 對象
- R broom tidy.pairwise.htest 整理 a(n)pairwise.htest 對象
- R broom tidy.coeftest 整理 a(n) coeftest 對象
- R broom tidy.polr 整理 a(n) polr 對象
- R broom tidy.map 整理 a(n) Map對象
- R broom tidy.survexp 整理 a(n) survexp 對象
注：本文由純淨天空篩選整理自等大神的英文原創作品 Tidy a(n) factanal object。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。