Кормление NewData для R предсказать функция

Question

функция R в predict может принимать параметр newdata и его документ гласит:

NewData необязательного кадра данных, в которой искать переменные с помощью которых можно предсказать. Если они опущены, используются установленные значения.

Но я обнаружил, что это не совсем верно в зависимости от того, как модель подходит. Например, следующий код работает, как ожидалось:

x <- rnorm(200, sd=10) 
y <- x + rnorm(200, sd=1) 
data <- data.frame(x, y) 
train = sample(1:length(x), size=length(x)/2, replace=F) 
dataTrain <- data[train,] 
dataTest <- data[-train,] 
m <- lm(y ~ x, data=dataTrain) 
head(predict(m,type="response")) 
head(predict(m,newdata=dataTest,type="response")) 

Но если модель подходит как таковой:

m2 <- lm(dataTrain$y ~ dataTrain$x) 
head(predict(m2,type="response")) 
head(predict(m2,newdata=dataTest,type="response")) 

Последние две строки будет точно такой же результат. Функция predict работает таким образом, чтобы игнорировать параметр newdata, то есть он не может реально вычислить предсказание для новых данных вообще.

Виновником, конечно же, является lm(y ~ x, data=dataTrain) против lm(dataTrain$y ~ dataTrain$x). Но я не нашел документа, в котором говорилось о различии между этими двумя. Это известная проблема?

Я использую R 2.15.2.

Answer 1

См ?predict.lm и раздел Примечания, которые я привожу ниже:

Note: 

    Variables are first looked for in ‘newdata’ and then searched for 
    in the usual way (which will include the environment of the 
    formula used in the fit). A warning will be given if the 
    variables found are not of the same length as those in ‘newdata’ 
    if it was supplied. 

Хотя это не указует поведение в терминах «же имя» и т.д., насколько эта формула касается терминов, которые вы переданные в него, имели форму foo$var и нет таких переменных с такими именами, как в newdata или вдоль пути поиска, по которому R будет перемещаться, чтобы искать их.

В вашем втором случае вы полностью злоупотребляете нотной формулой модели; идея заключается в том, чтобы кратко и символически описать модель. Краткость и повторение объекта данных ad nauseum несовместимы.

Поведение, которое вы отмечаете, составляет точно в соответствии с документированным поведением. Проще говоря, вы установили модель с условиями data$x и data$y тогда попытался предсказать для условий x и y. Что касается R, то это разные имена и, следовательно, разные вещи, и это правильно, чтобы не соответствовать им.