首页 > 解决方案 > 如何将输入传递到用户定义函数中的命名列表

问题描述

我正在尝试创建一个用户定义的函数,该函数从逻辑回归模型中输出优势比(95% CI)。

我基本上被困在第 2 行,在那里我使用oddsratio::or_glm()函数预测优势比。我需要将预测器输入传递到参数之一中的命名列表中。该paste()方法似乎不起作用...

我想知道是否有人可以提供帮助?

这是功能:

compute_ors = function(outcome, predictor){
  
  fit.glm = glm(paste(outcome, " ~ ", predictor), data = mydata, family = binomial)
  
  x = oddsratio::or_glm(mydata, model = fit.glm, incr = list(predictor = 0.1), ci = 0.95) 
  
    ## How can I pass the 'predictor' variable as a named list in the 'incr=' argument of the 'or_glm' function?
  
  return(x)
  
}

compute_ors("died", "b_fi.score")

这是一个模拟数据:

library(oddsratio)
mydata = structure(list(died = c(1L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 
                                 0L, 0L, 0L, 0L, 0L, 0L, 1L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 
                                 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 
                                 0L, 0L, 0L, 0L, 0L, 0L, 1L, 0L), b_fi.score = c(0.111111111111111, 
                                                                                 0.0555555555555556, 0.0185185185185185, 0.148148148148148, 0.0555555555555556, 
                                                                                 0.0277777777777778, 0.0277777777777778, 0.166666666666667, 0.0925925925925926, 
                                                                                 0.0925925925925926, 0.0740740740740741, 0.166666666666667, 0.0185185185185185, 
                                                                                 0.111111111111111, 0.0555555555555556, 0.101851851851852, 0.0925925925925926, 
                                                                                 0.138888888888889, 0.0462962962962963, 0.0925925925925926, 0.0555555555555556, 
                                                                                 0.0185185185185185, 0.0555555555555556, 0.259259259259259, 0.0925925925925926, 
                                                                                 0.101851851851852, 0.0925925925925926, 0.0833333333333333, 0.0555555555555556, 
                                                                                 0.111111111111111, 0.0555555555555556, 0.111111111111111, 0.111111111111111, 
                                                                                 0.0925925925925926, 0.222222222222222, 0.0740740740740741, 0.037037037037037, 
                                                                                 0.12962962962963, 0.0555555555555556, 0.148148148148148, 0.037037037037037, 
                                                                                 0.12962962962963, 0.111111111111111, 0.0740740740740741, 0.0925925925925926, 
                                                                                 0.0740740740740741, 0.0740740740740741, 0.175925925925926, 0.12962962962963, 
                                                                                 0.0740740740740741)), row.names = c(61L, 88L, 140L, 155L, 162L, 
                                                                                                                     234L, 260L, 466L, 552L, 567L, 618L, 643L, 754L, 817L, 912L, 921L, 
                                                                                                                     928L, 978L, 989L, 995L, 1021L, 1031L, 1050L, 1064L, 1101L, 1156L, 
                                                                                                                     1170L, 1180L, 1181L, 1206L, 1211L, 1221L, 1228L, 1230L, 1274L, 
                                                                                                                     1276L, 1286L, 1290L, 1318L, 1329L, 1340L, 1495L, 1509L, 1546L, 
                                                                                                                     1576L, 1661L, 1685L, 1703L, 1705L, 1714L), class = "data.frame")

标签: ruser-defined-functionslogistic-regressionglm

解决方案


您可以使用setNames(list(0.1), predictor)而不是list(predictor = 0.1)


推荐阅读