Write coefficient table for linear and logistic regression
write.coeff(object, file = "", sort = FALSE, intercept = TRUE)
object | A fitted model object of class regress or logistic |
---|---|
file | A character string naming a file. "" indicates output to the console |
sort | Sort table by variable importance |
intercept | Include the intercept in the output (TRUE or FALSE). TRUE is the default |
Write coefficients and importance scores to csv or or return as a data.frame
regress( diamonds, rvar = "price", evar = c("carat", "clarity", "color", "x"), int = c("carat:clarity", "clarity:color", "I(x^2)"), check = "standardize" ) %>% write.coeff(sort = TRUE) %>% format_df(dec = 3)#> Standardized coefficients shown #>#> label coefficient std.error t.value p.value sig_star dummy #> 1 (Intercept) -0.162 0.059 -2.738 0.006 ** 0 #> 2 carat:clarity|IF 1.089 0.061 17.729 0.000 *** 0 #> 3 carat:clarity|VVS1 1.020 0.052 19.677 0.000 *** 0 #> 4 clarity|IF 1.015 0.098 10.349 0.000 *** 1 #> 5 carat:clarity|VVS2 1.001 0.049 20.587 0.000 *** 0 #> 6 clarity|IF:color|J -0.946 0.147 -6.425 0.000 *** 1 #> 7 carat:clarity|VS1 0.743 0.046 16.014 0.000 *** 0 #> 8 carat:clarity|VS2 0.705 0.046 15.430 0.000 *** 0 #> 9 clarity|IF:color|H -0.610 0.108 -5.654 0.000 *** 1 #> 10 clarity|IF:color|I -0.606 0.114 -5.298 0.000 *** 1 #> 11 carat:clarity|SI1 0.603 0.045 13.277 0.000 *** 0 #> 12 clarity|IF:color|F -0.572 0.105 -5.456 0.000 *** 1 #> 13 clarity|IF:color|E -0.534 0.114 -4.679 0.000 *** 1 #> 14 carat:clarity|SI2 0.481 0.045 10.682 0.000 *** 0 #> 15 clarity|IF:color|G -0.441 0.115 -3.816 0.000 *** 1 #> 16 clarity|VVS2 0.349 0.062 5.639 0.000 *** 1 #> 17 I(x^2) 0.345 0.020 17.227 0.000 *** 0 #> 18 clarity|VVS1 0.339 0.066 5.159 0.000 *** 1 #> 19 carat 0.286 0.069 4.151 0.000 *** 0 #> 20 clarity|VVS2:color|J -0.284 0.107 -2.646 0.008 ** 1 #> 21 clarity|VS1 0.252 0.061 4.114 0.000 *** 1 #> 22 clarity|VS2:color|J -0.232 0.099 -2.338 0.019 * 1 #> 23 color|G -0.231 0.079 -2.912 0.004 ** 1 #> 24 clarity|VS2:color|G 0.201 0.081 2.494 0.013 * 1 #> 25 clarity|VVS1:color|J -0.192 0.120 -1.604 0.109 1 #> 26 clarity|VS1:color|J -0.192 0.101 -1.908 0.057 . 1 #> 27 clarity|VVS1:color|G 0.190 0.085 2.239 0.025 * 1 #> 28 clarity|VS2 0.177 0.060 2.929 0.003 ** 1 #> 29 clarity|SI2:color|G 0.176 0.081 2.169 0.030 * 1 #> 30 clarity|SI1:color|G 0.175 0.081 2.162 0.031 * 1 #> 31 clarity|VS1:color|G 0.155 0.081 1.902 0.057 . 1 #> 32 color|I -0.144 0.075 -1.926 0.054 . 1 #> 33 clarity|VVS2:color|G 0.144 0.082 1.754 0.080 . 1 #> 34 clarity|SI1:color|J -0.133 0.099 -1.352 0.176 1 #> 35 color|J -0.121 0.097 -1.255 0.210 1 #> 36 clarity|SI2:color|J -0.116 0.100 -1.161 0.246 1 #> 37 clarity|VVS2:color|I -0.108 0.081 -1.330 0.184 1 #> 38 clarity|SI1 0.103 0.060 1.719 0.086 . 1 #> 39 color|H -0.101 0.068 -1.487 0.137 1 #> 40 clarity|SI2:color|E 0.100 0.077 1.300 0.194 1 #> 41 clarity|VVS1:color|E 0.096 0.082 1.170 0.242 1 #> 42 clarity|VS1:color|I -0.095 0.078 -1.214 0.225 1 #> 43 color|E -0.087 0.075 -1.161 0.246 1 #> 44 clarity|VS2:color|E 0.079 0.077 1.037 0.300 1 #> 45 clarity|SI1:color|E 0.073 0.076 0.961 0.337 1 #> 46 clarity|VS1:color|E 0.066 0.078 0.846 0.397 1 #> 47 clarity|VVS2:color|E 0.063 0.079 0.799 0.425 1 #> 48 clarity|VS1:color|H -0.059 0.071 -0.823 0.410 1 #> 49 clarity|VVS1:color|F 0.047 0.072 0.647 0.518 1 #> 50 clarity|VVS1:color|I -0.046 0.084 -0.553 0.580 1 #> 51 clarity|VS2:color|I -0.038 0.077 -0.486 0.627 1 #> 52 clarity|VS1:color|F -0.033 0.068 -0.489 0.625 1 #> 53 color|F -0.032 0.065 -0.497 0.619 1 #> 54 clarity|SI1:color|H 0.029 0.070 0.420 0.675 1 #> 55 clarity|VVS1:color|H 0.026 0.076 0.348 0.728 1 #> 56 clarity|SI2 0.025 0.061 0.406 0.685 1 #> 57 clarity|VS2:color|F 0.024 0.067 0.362 0.718 1 #> 58 clarity|VS2:color|H -0.020 0.070 -0.281 0.779 1 #> 59 clarity|SI1:color|I -0.020 0.077 -0.257 0.797 1 #> 60 clarity|SI2:color|F 0.018 0.067 0.270 0.787 1 #> 61 clarity|VVS2:color|H -0.016 0.073 -0.222 0.824 1 #> 62 clarity|SI2:color|H 0.014 0.071 0.196 0.844 1 #> 63 clarity|VVS2:color|F 0.012 0.069 0.175 0.861 1 #> 64 clarity|SI2:color|I -0.012 0.078 -0.151 0.880 1 #> 65 clarity|SI1:color|F 0.010 0.067 0.157 0.875 1 #> 66 x 0.009 0.047 0.197 0.844 0 #> mean sd min max importance #> 1 1.000 0.000 1.000 1.000 0.000 #> 2 0.015 0.097 0.000 1.530 1.089 #> 3 0.039 0.158 0.000 1.580 1.020 #> 4 0.033 0.179 0.000 1.000 1.015 #> 5 0.056 0.207 0.000 1.710 1.001 #> 6 0.001 0.026 0.000 1.000 0.946 #> 7 0.107 0.303 0.000 2.380 0.743 #> 8 0.166 0.375 0.000 2.500 0.705 #> 9 0.007 0.081 0.000 1.000 0.610 #> 10 0.004 0.060 0.000 1.000 0.606 #> 11 0.204 0.425 0.000 2.400 0.603 #> 12 0.010 0.101 0.000 1.000 0.572 #> 13 0.004 0.063 0.000 1.000 0.534 #> 14 0.190 0.467 0.000 2.660 0.481 #> 15 0.007 0.083 0.000 1.000 0.441 #> 16 0.095 0.293 0.000 1.000 0.349 #> 17 34.002 13.444 13.913 88.736 0.345 #> 18 0.075 0.263 0.000 1.000 0.339 #> 19 0.794 0.474 0.200 3.000 0.286 #> 20 0.002 0.048 0.000 1.000 0.284 #> 21 0.147 0.354 0.000 1.000 0.252 #> 22 0.014 0.118 0.000 1.000 0.232 #> 23 0.199 0.399 0.000 1.000 0.231 #> 24 0.040 0.195 0.000 1.000 0.201 #> 25 0.001 0.032 0.000 1.000 0.192 #> 26 0.008 0.091 0.000 1.000 0.192 #> 27 0.023 0.151 0.000 1.000 0.190 #> 28 0.220 0.415 0.000 1.000 0.177 #> 29 0.032 0.177 0.000 1.000 0.176 #> 30 0.032 0.175 0.000 1.000 0.175 #> 31 0.037 0.190 0.000 1.000 0.155 #> 32 0.095 0.293 0.000 1.000 0.144 #> 33 0.026 0.159 0.000 1.000 0.144 #> 34 0.017 0.128 0.000 1.000 0.133 #> 35 0.055 0.227 0.000 1.000 0.121 #> 36 0.011 0.104 0.000 1.000 0.116 #> 37 0.007 0.081 0.000 1.000 0.108 #> 38 0.240 0.427 0.000 1.000 0.103 #> 39 0.151 0.358 0.000 1.000 0.101 #> 40 0.035 0.185 0.000 1.000 0.100 #> 41 0.012 0.110 0.000 1.000 0.096 #> 42 0.017 0.128 0.000 1.000 0.095 #> 43 0.185 0.388 0.000 1.000 0.087 #> 44 0.046 0.210 0.000 1.000 0.079 #> 45 0.049 0.216 0.000 1.000 0.073 #> 46 0.017 0.131 0.000 1.000 0.066 #> 47 0.019 0.135 0.000 1.000 0.063 #> 48 0.023 0.151 0.000 1.000 0.059 #> 49 0.015 0.122 0.000 1.000 0.047 #> 50 0.007 0.081 0.000 1.000 0.046 #> 51 0.019 0.135 0.000 1.000 0.038 #> 52 0.028 0.164 0.000 1.000 0.033 #> 53 0.188 0.391 0.000 1.000 0.032 #> 54 0.039 0.194 0.000 1.000 0.029 #> 55 0.011 0.103 0.000 1.000 0.026 #> 56 0.176 0.381 0.000 1.000 0.025 #> 57 0.043 0.202 0.000 1.000 0.024 #> 58 0.029 0.169 0.000 1.000 0.020 #> 59 0.025 0.157 0.000 1.000 0.020 #> 60 0.031 0.173 0.000 1.000 0.018 #> 61 0.011 0.104 0.000 1.000 0.016 #> 62 0.029 0.167 0.000 1.000 0.014 #> 63 0.016 0.127 0.000 1.000 0.012 #> 64 0.015 0.123 0.000 1.000 0.012 #> 65 0.042 0.200 0.000 1.000 0.010 #> 66 5.722 1.124 3.730 9.420 0.009logistic(titanic, "survived", c("pclass", "sex"), lev = "Yes") %>% write.coeff(intercept = FALSE, sort = TRUE) %>% format_df(dec = 2)#> Non-standardized coefficients shown #>#> label OR OR% coefficient std.error z.value p.value sig_star dummy #> 1 sex|male 0.08 -0.92 -2.52 0.16 -15.45 0.00 *** 1 #> 2 pclass|3rd 0.18 -0.82 -1.71 0.19 -8.95 0.00 *** 1 #> 3 pclass|2nd 0.41 -0.59 -0.89 0.21 -4.29 0.00 *** 1 #> mean sd min max importance #> 1 0.63 0.48 0.00 1.00 12.46 #> 2 0.48 0.50 0.00 1.00 5.54 #> 3 0.25 0.43 0.00 1.00 2.44