简介这份资源面向使用R语言进行统计建模与数据可视化的研究者、数据分析师及学生聚焦多元线性回归中变量重要性的量化与呈现。它借鉴PNAS论文的绘图思路通过层次分割方法拆解各预测变量对因变量的贡献并借助ggplot2将结果以分层结构图形式直观展示帮助提升模型解释力与结果说服力。压缩包共2个文件包含1个R脚本与1个PNG图片整体约21KB脚本用于构建回归模型并计算变量重要性图片则呈现可视化输出效果便于对照理解。目前已有93人学习下载。读者可从中获得从数据准备、函数构建到层次分割计算与图形展示的完整实践路径掌握自定义函数cal_lm_hp的用法并学习如何用图形化方式表达多变量模型中各变量的相对重要性适合希望提升回归分析解释能力与可视化水平的中高级R用户参考。1. 跟着 PNAS 学画图多元线性回归变量重要性到底该怎么拆很多人做多元线性回归跑完summary()看到一堆系数和 p 值就以为完事了结果投稿被审稿人一句“变量相对重要性没有交代清楚”打回来。PNAS 这类顶刊对回归结果的呈现有个隐性要求不光要告诉读者哪些变量显著还要说清各自贡献了多少方差。普通标准化系数在变量相关时会出现符号翻转relaimpo、caret这类包算出来的 LMG 指标又不好解释。层次分割hierarchical partitioning就是专门解决这个痛点的——它把 R² 按变量单独效应和共同效应公平拆开每个变量拿到一个可加总的贡献率。这份资源包围绕“多元线性回归变量重要性 层次分割 ggplot2 可视化”给了一套能直接跑的 R 脚本和示例数据适合正在写论文、需要出变量重要性图的研究生和科研从业者。下面我按“原理选型 → 数据准备 → 层次分割实操 → 可视化 → 避坑 → 进阶验证”的顺序拆一遍。2. 层次分割的原理与选型为什么不用标准化系数2.1 标准化系数和 LMG 的局限在哪多元线性回归里判断变量重要性最直觉的做法是看标准化回归系数beta。但 beta 只在自变量完全正交时才等于各自贡献现实数据里自变量几乎都有相关性。一旦相关beta 会随模型里其他变量的进出而剧烈变化甚至出现“显著变量 beta 接近 0”的翻车情况。另一种常见做法是relaimpo包的 LMG 指标它基于 R² 分解理论上能处理相关但计算量随变量数阶乘增长超过 15 个变量基本跑不动而且 LMG 不区分“单独解释”和“共同解释”解释起来仍然含糊。层次分割的思路不一样。它把每个变量在所有可能的变量子集模型中的贡献都算一遍然后拆成两部分单独效应该变量独自解释的 R²和共同效应该变量与其他变量共同解释、按比例分摊的部分。最终每个变量得到一个平均贡献所有变量贡献之和等于全模型 R²。这个性质让结果可加、可比较画成条形图或饼图都直观。常见做法是用hier.part包它输出每个变量的独立贡献I、共同贡献J和总贡献Total再配合rand.hp做随机化检验判断贡献是否显著。2.2 这份资源包里的脚本结构资源包解压后一般包含这几个部分一份示例数据CSV 或 RData 格式字段是若干连续型自变量加一个连续型因变量、一个主分析脚本负责读数据、跑层次分割、导出贡献表、一个可视化脚本用 ggplot2 画变量重要性条形图、可能还有一个README说明字段含义。我拿到这类包的习惯是先看数据字段和脚本里的setwd()路径路径不对后面全白搭。下面按典型流程走一遍你拿到自己的包后把文件名替换成实际的即可。3. 数据准备与层次分割实操从读入到贡献表3.1 读数据与变量类型检查层次分割对变量类型有要求自变量最好是连续型或二分类数值型多分类因子需要先转成哑变量否则hier.part会报错或给出无意义结果。因变量必须是连续型。先做一轮类型检查再往下走。# 读入示例数据替换成你包里的实际文件名 df - read.csv(data/example_data.csv, stringsAsFactors FALSE) # 检查变量类型和缺失值 str(df) colSums(is.na(df)) # 因变量取最后一列自变量取其余列按你数据的实际布局调整 y - df[, ncol(df)] x - df[, -ncol(df)] # 多分类因子转哑变量二分类因子转 0/1 x - model.matrix(~ . - 1, data x) x - as.data.frame(x)这段代码先看数据结构str()能暴露因子型变量和字符型变量colSums(is.na())告诉你缺失分布。model.matrix(~ . - 1, data x)把因子自动展开成哑变量-1去掉截距列避免共线。注意如果自变量里有 ID 列或时间戳列必须手动剔除否则层次分割会把它们当有效变量算进去贡献率直接被污染。3.2 跑 hier.part 并导出贡献表数据干净后就可以跑层次分割。hier.part的核心参数是goof拟合优度回归用 Rsquare和family回归用 gaussian。变量多的时候计算量会上去但一般论文场景 5 到 12 个自变量都在可接受范围。library(hier.part) # 跑层次分割goof 选 Rsquarefamily 选 gaussian hp_result - hier.part(y, x, family gaussian, goof Rsquare) # 查看独立贡献 I、共同贡献 J、总贡献 Total hp_result$IJ hp_result$prop # 导出贡献表为 CSV方便后续画图和写论文 contrib_table - data.frame( variable rownames(hp_result$IJ), I hp_result$IJ[, I], J hp_result$IJ[, J], Total hp_result$IJ[, Total], Prop hp_result$prop ) write.csv(contrib_table, output/contribution_table.csv, row.names FALSE)hp_result$IJ里 I 列是独立贡献J 列是共同贡献Total 是两者之和。hp_result$prop是每个变量占总 R² 的百分比写论文时直接引用这一列最方便。导出 CSV 是为了把计算和绘图解耦——万一画图脚本报错贡献表还在不用重跑。参数说明goof Rsquare适用于线性回归如果是逻辑回归要改成family binomial且goof logLik但这份资源包定位是多元线性回归按默认走即可。3.3 随机化检验判断贡献显著性光有贡献率还不够审稿人可能追问“这个贡献是不是随机波动”。rand.hp做随机化检验打乱因变量顺序重算多次看实际贡献是否落在随机分布尾部。常见做法是跑 100 到 1000 次次数越多越稳但越慢。# 随机化检验n.sim 控制次数论文场景建议 1000 set.seed(123) hp_rand - rand.hp(y, x, family gaussian, goof Rsquare, n.sim 1000) # 查看 Z 值和 p 值 hp_rand$Z hp_rand$Pset.seed(123)保证结果可复现投稿时审稿人如果要求重复你的分析固定种子能省很多口舌。n.sim 1000是精度和耗时的折中变量少可以拉到 5000。Z 值越大说明该变量贡献越偏离随机预期P 小于 0.05 可以认为贡献显著。注意rand.hp对变量数敏感超过 15 个变量会非常慢这时候要么降 n.sim要么改用relaimpo的boot方法做近似。4. 用 ggplot2 画变量重要性图从贡献表到出版级图4.1 条形图排序与配色贡献表出来后画图的核心是把变量按 Total 降序排列这样读者一眼能看出谁最重要。ggplot2 里用reorder()控制顺序配色不要用默认彩虹色选一组低饱和度色系更符合期刊审美。library(ggplot2) # 按 Total 降序排列变量 contrib_table$variable - reorder(contrib_table$variable, contrib_table$Total) # 画变量重要性条形图 p - ggplot(contrib_table, aes(x variable, y Total, fill variable)) geom_col(width 0.7, show.legend FALSE) geom_errorbar(aes(ymin Total, ymax Total), width 0.2) coord_flip() scale_fill_manual(values rep(#4E79A7, nrow(contrib_table))) labs(x NULL, y Total contribution to R-squared) theme_classic(base_size 12) theme(axis.text.y element_text(size 11)) ggsave(output/variable_importance.png, p, width 6, height 4, dpi 300)reorder()让条形图从大到小排列coord_flip()把变量名放到纵轴避免重叠。geom_col(width 0.7)控制条宽太宽显得笨重太窄看不清。scale_fill_manual统一配色如果你要区分独立贡献和共同贡献可以改成堆叠条形图把 I 和 J 分别映射到 fill。ggsave的dpi 300是期刊投稿底线低于这个数印刷会糊。4.2 堆叠图展示独立贡献与共同贡献审稿人有时会问“这个变量的贡献是独立的还是和其他变量共享的”堆叠图能直接回答。把贡献表转成长格式用position_stack()堆叠。library(tidyr) # 转长格式 contrib_long - pivot_longer(contrib_table, cols c(I, J), names_to type, values_to value) # 堆叠条形图 p2 - ggplot(contrib_long, aes(x reorder(variable, Total), y value, fill type)) geom_col(width 0.7) coord_flip() scale_fill_manual(values c(I #4E79A7, J #F28E2B), labels c(I Independent, J Joint)) labs(x NULL, y Contribution to R-squared, fill NULL) theme_classic(base_size 12) ggsave(output/variable_importance_stacked.png, p2, width 6, height 4, dpi 300)pivot_longer把宽表转长表I和J变成 type 列的两个水平。堆叠顺序默认按因子水平I在下J在上如果想让共同贡献在下调整scale_fill_manual里的顺序或设position_stack(reverse TRUE)。这张图比单一条形图信息量大但颜色多了容易花建议只在审稿人明确要求区分时才用。5. 避坑与排查层次分割最容易翻车的五个点5.1 现象hier.part 报错 NA/NaN/Inf in foreign function call原因通常是自变量里有缺失值或无穷值hier.part内部调 C 函数时不处理 NA。解决跑之前用na.omit(df)或df[complete.cases(df), ]删掉缺失行再用sapply(x, is.finite)检查无穷值。如果缺失比例高删行会损失样本量考虑用多重插补mice包补全后再跑。5.2 现象贡献率之和不等于 1原因多半是自变量之间存在完全共线或者某个变量是常数。完全共线时model.matrix会产生冗余列层次分割的分摊逻辑被打乱。解决跑之前用cor(x)看相关系数矩阵超过 0.95 的变量对考虑删一个用apply(x, 2, var)检查常数变量并剔除。另外确认hier.part的goof和family匹配你的模型类型不匹配时 R² 计算错误也会导致和不等于 1。5.3 现象rand.hp 跑了几小时没结果原因是指标数多导致子集组合爆炸n.sim又设得大。解决先把n.sim降到 100 看趋势确认变量重要性排序稳定后再拉到 1000。变量超过 12 个时考虑改用relaimpo的boot TRUE做 bootstrap 近似速度快很多代价是精度略降。实在要跑全量挂到服务器上并行rand.hp本身不支持并行但可以把n.sim拆成几段分别跑再合并。5.4 现象ggplot2 图里变量顺序和贡献表不一致原因是reorder()默认按均值排序如果贡献表里有重复变量名或因子水平没清理干净排序会乱。解决画图前先contrib_table$variable - factor(contrib_table$variable, levels contrib_table$variable[order(contrib_table$Total)])手动指定水平顺序比reorder()更可控。另外检查contrib_table里有没有(Intercept)行有的话先过滤掉。5.5 现象论文里贡献率百分比加起来超过 100%原因是把hp_result$prop和hp_result$IJ的 Total 混用了。prop是已经归一化到总 R² 的百分比各变量之和应该等于 100%IJ的 Total 是原始 R² 贡献之和等于全模型 R²。写论文时统一用prop列并在方法部分说明“贡献率基于层次分割各变量贡献之和为 100%”。如果审稿人要求报告原始 R²再附IJ表。6. 进阶验证用方差分解交叉验证层次分割结果层次分割给了一组贡献率但它依赖 R² 分解框架。想进一步确认结果稳健我一般会做两件事一是用relaimpo的calc.relimp算 LMG 和 First/Last 指标做交叉对比二是用vegan包的varpart做方差分解看两者排序是否一致。如果三种方法给出的重要性排序大体相同结论就站得住如果差异大说明变量间相关性结构复杂需要在论文里讨论局限性。library(relaimpo) # LMG 和 First/Last 交叉验证 relaimpo_result - calc.relimp(y ~ ., data data.frame(y y, x), type c(lmg, first, last)) relaimpo_result$lmg relaimpo_result$first relaimpo_result$last # vegan 方差分解 library(vegan) vp - varpart(y, x) vpcalc.relimp的type参数可以同时要多种指标lmg是层次分割的近似first是变量最先进入模型的贡献last是最后进入的贡献。三者排序一致说明变量重要性稳健。varpart输出每个变量的调整 R² 和共同解释部分和层次分割的 I/J 结构类似但算法不同适合做敏感性分析。注意varpart对变量数也敏感超过 10 个变量时共同部分会变得很大解释时要谨慎。最后说个血泪经验我早期投稿时只报了层次分割的 Total 贡献审稿人追问“共同贡献占多少”临时补跑rand.hp又等了两天。从那以后我每次跑完层次分割都会把 I、J、Total、Prop 四列一次性导出随机化检验和交叉验证同步做掉图也一次出两张——单条形图和堆叠图各存一份。这样无论审稿人问哪个角度手里都有现成结果不用返工。希望帮到你。本文还有配套的精品资源点击获取 多元线性回归变量重要性拆解：层次分割与ggplot2可视化实战
简介这份资源面向使用R语言进行统计建模与数据可视化的研究者、数据分析师及学生聚焦多元线性回归中变量重要性的量化与呈现。它借鉴PNAS论文的绘图思路通过层次分割方法拆解各预测变量对因变量的贡献并借助ggplot2将结果以分层结构图形式直观展示帮助提升模型解释力与结果说服力。压缩包共2个文件包含1个R脚本与1个PNG图片整体约21KB脚本用于构建回归模型并计算变量重要性图片则呈现可视化输出效果便于对照理解。目前已有93人学习下载。读者可从中获得从数据准备、函数构建到层次分割计算与图形展示的完整实践路径掌握自定义函数cal_lm_hp的用法并学习如何用图形化方式表达多变量模型中各变量的相对重要性适合希望提升回归分析解释能力与可视化水平的中高级R用户参考。1. 跟着 PNAS 学画图多元线性回归变量重要性到底该怎么拆很多人做多元线性回归跑完summary()看到一堆系数和 p 值就以为完事了结果投稿被审稿人一句“变量相对重要性没有交代清楚”打回来。PNAS 这类顶刊对回归结果的呈现有个隐性要求不光要告诉读者哪些变量显著还要说清各自贡献了多少方差。普通标准化系数在变量相关时会出现符号翻转relaimpo、caret这类包算出来的 LMG 指标又不好解释。层次分割hierarchical partitioning就是专门解决这个痛点的——它把 R² 按变量单独效应和共同效应公平拆开每个变量拿到一个可加总的贡献率。这份资源包围绕“多元线性回归变量重要性 层次分割 ggplot2 可视化”给了一套能直接跑的 R 脚本和示例数据适合正在写论文、需要出变量重要性图的研究生和科研从业者。下面我按“原理选型 → 数据准备 → 层次分割实操 → 可视化 → 避坑 → 进阶验证”的顺序拆一遍。2. 层次分割的原理与选型为什么不用标准化系数2.1 标准化系数和 LMG 的局限在哪多元线性回归里判断变量重要性最直觉的做法是看标准化回归系数beta。但 beta 只在自变量完全正交时才等于各自贡献现实数据里自变量几乎都有相关性。一旦相关beta 会随模型里其他变量的进出而剧烈变化甚至出现“显著变量 beta 接近 0”的翻车情况。另一种常见做法是relaimpo包的 LMG 指标它基于 R² 分解理论上能处理相关但计算量随变量数阶乘增长超过 15 个变量基本跑不动而且 LMG 不区分“单独解释”和“共同解释”解释起来仍然含糊。层次分割的思路不一样。它把每个变量在所有可能的变量子集模型中的贡献都算一遍然后拆成两部分单独效应该变量独自解释的 R²和共同效应该变量与其他变量共同解释、按比例分摊的部分。最终每个变量得到一个平均贡献所有变量贡献之和等于全模型 R²。这个性质让结果可加、可比较画成条形图或饼图都直观。常见做法是用hier.part包它输出每个变量的独立贡献I、共同贡献J和总贡献Total再配合rand.hp做随机化检验判断贡献是否显著。2.2 这份资源包里的脚本结构资源包解压后一般包含这几个部分一份示例数据CSV 或 RData 格式字段是若干连续型自变量加一个连续型因变量、一个主分析脚本负责读数据、跑层次分割、导出贡献表、一个可视化脚本用 ggplot2 画变量重要性条形图、可能还有一个README说明字段含义。我拿到这类包的习惯是先看数据字段和脚本里的setwd()路径路径不对后面全白搭。下面按典型流程走一遍你拿到自己的包后把文件名替换成实际的即可。3. 数据准备与层次分割实操从读入到贡献表3.1 读数据与变量类型检查层次分割对变量类型有要求自变量最好是连续型或二分类数值型多分类因子需要先转成哑变量否则hier.part会报错或给出无意义结果。因变量必须是连续型。先做一轮类型检查再往下走。# 读入示例数据替换成你包里的实际文件名 df - read.csv(data/example_data.csv, stringsAsFactors FALSE) # 检查变量类型和缺失值 str(df) colSums(is.na(df)) # 因变量取最后一列自变量取其余列按你数据的实际布局调整 y - df[, ncol(df)] x - df[, -ncol(df)] # 多分类因子转哑变量二分类因子转 0/1 x - model.matrix(~ . - 1, data x) x - as.data.frame(x)这段代码先看数据结构str()能暴露因子型变量和字符型变量colSums(is.na())告诉你缺失分布。model.matrix(~ . - 1, data x)把因子自动展开成哑变量-1去掉截距列避免共线。注意如果自变量里有 ID 列或时间戳列必须手动剔除否则层次分割会把它们当有效变量算进去贡献率直接被污染。3.2 跑 hier.part 并导出贡献表数据干净后就可以跑层次分割。hier.part的核心参数是goof拟合优度回归用 Rsquare和family回归用 gaussian。变量多的时候计算量会上去但一般论文场景 5 到 12 个自变量都在可接受范围。library(hier.part) # 跑层次分割goof 选 Rsquarefamily 选 gaussian hp_result - hier.part(y, x, family gaussian, goof Rsquare) # 查看独立贡献 I、共同贡献 J、总贡献 Total hp_result$IJ hp_result$prop # 导出贡献表为 CSV方便后续画图和写论文 contrib_table - data.frame( variable rownames(hp_result$IJ), I hp_result$IJ[, I], J hp_result$IJ[, J], Total hp_result$IJ[, Total], Prop hp_result$prop ) write.csv(contrib_table, output/contribution_table.csv, row.names FALSE)hp_result$IJ里 I 列是独立贡献J 列是共同贡献Total 是两者之和。hp_result$prop是每个变量占总 R² 的百分比写论文时直接引用这一列最方便。导出 CSV 是为了把计算和绘图解耦——万一画图脚本报错贡献表还在不用重跑。参数说明goof Rsquare适用于线性回归如果是逻辑回归要改成family binomial且goof logLik但这份资源包定位是多元线性回归按默认走即可。3.3 随机化检验判断贡献显著性光有贡献率还不够审稿人可能追问“这个贡献是不是随机波动”。rand.hp做随机化检验打乱因变量顺序重算多次看实际贡献是否落在随机分布尾部。常见做法是跑 100 到 1000 次次数越多越稳但越慢。# 随机化检验n.sim 控制次数论文场景建议 1000 set.seed(123) hp_rand - rand.hp(y, x, family gaussian, goof Rsquare, n.sim 1000) # 查看 Z 值和 p 值 hp_rand$Z hp_rand$Pset.seed(123)保证结果可复现投稿时审稿人如果要求重复你的分析固定种子能省很多口舌。n.sim 1000是精度和耗时的折中变量少可以拉到 5000。Z 值越大说明该变量贡献越偏离随机预期P 小于 0.05 可以认为贡献显著。注意rand.hp对变量数敏感超过 15 个变量会非常慢这时候要么降 n.sim要么改用relaimpo的boot方法做近似。4. 用 ggplot2 画变量重要性图从贡献表到出版级图4.1 条形图排序与配色贡献表出来后画图的核心是把变量按 Total 降序排列这样读者一眼能看出谁最重要。ggplot2 里用reorder()控制顺序配色不要用默认彩虹色选一组低饱和度色系更符合期刊审美。library(ggplot2) # 按 Total 降序排列变量 contrib_table$variable - reorder(contrib_table$variable, contrib_table$Total) # 画变量重要性条形图 p - ggplot(contrib_table, aes(x variable, y Total, fill variable)) geom_col(width 0.7, show.legend FALSE) geom_errorbar(aes(ymin Total, ymax Total), width 0.2) coord_flip() scale_fill_manual(values rep(#4E79A7, nrow(contrib_table))) labs(x NULL, y Total contribution to R-squared) theme_classic(base_size 12) theme(axis.text.y element_text(size 11)) ggsave(output/variable_importance.png, p, width 6, height 4, dpi 300)reorder()让条形图从大到小排列coord_flip()把变量名放到纵轴避免重叠。geom_col(width 0.7)控制条宽太宽显得笨重太窄看不清。scale_fill_manual统一配色如果你要区分独立贡献和共同贡献可以改成堆叠条形图把 I 和 J 分别映射到 fill。ggsave的dpi 300是期刊投稿底线低于这个数印刷会糊。4.2 堆叠图展示独立贡献与共同贡献审稿人有时会问“这个变量的贡献是独立的还是和其他变量共享的”堆叠图能直接回答。把贡献表转成长格式用position_stack()堆叠。library(tidyr) # 转长格式 contrib_long - pivot_longer(contrib_table, cols c(I, J), names_to type, values_to value) # 堆叠条形图 p2 - ggplot(contrib_long, aes(x reorder(variable, Total), y value, fill type)) geom_col(width 0.7) coord_flip() scale_fill_manual(values c(I #4E79A7, J #F28E2B), labels c(I Independent, J Joint)) labs(x NULL, y Contribution to R-squared, fill NULL) theme_classic(base_size 12) ggsave(output/variable_importance_stacked.png, p2, width 6, height 4, dpi 300)pivot_longer把宽表转长表I和J变成 type 列的两个水平。堆叠顺序默认按因子水平I在下J在上如果想让共同贡献在下调整scale_fill_manual里的顺序或设position_stack(reverse TRUE)。这张图比单一条形图信息量大但颜色多了容易花建议只在审稿人明确要求区分时才用。5. 避坑与排查层次分割最容易翻车的五个点5.1 现象hier.part 报错 NA/NaN/Inf in foreign function call原因通常是自变量里有缺失值或无穷值hier.part内部调 C 函数时不处理 NA。解决跑之前用na.omit(df)或df[complete.cases(df), ]删掉缺失行再用sapply(x, is.finite)检查无穷值。如果缺失比例高删行会损失样本量考虑用多重插补mice包补全后再跑。5.2 现象贡献率之和不等于 1原因多半是自变量之间存在完全共线或者某个变量是常数。完全共线时model.matrix会产生冗余列层次分割的分摊逻辑被打乱。解决跑之前用cor(x)看相关系数矩阵超过 0.95 的变量对考虑删一个用apply(x, 2, var)检查常数变量并剔除。另外确认hier.part的goof和family匹配你的模型类型不匹配时 R² 计算错误也会导致和不等于 1。5.3 现象rand.hp 跑了几小时没结果原因是指标数多导致子集组合爆炸n.sim又设得大。解决先把n.sim降到 100 看趋势确认变量重要性排序稳定后再拉到 1000。变量超过 12 个时考虑改用relaimpo的boot TRUE做 bootstrap 近似速度快很多代价是精度略降。实在要跑全量挂到服务器上并行rand.hp本身不支持并行但可以把n.sim拆成几段分别跑再合并。5.4 现象ggplot2 图里变量顺序和贡献表不一致原因是reorder()默认按均值排序如果贡献表里有重复变量名或因子水平没清理干净排序会乱。解决画图前先contrib_table$variable - factor(contrib_table$variable, levels contrib_table$variable[order(contrib_table$Total)])手动指定水平顺序比reorder()更可控。另外检查contrib_table里有没有(Intercept)行有的话先过滤掉。5.5 现象论文里贡献率百分比加起来超过 100%原因是把hp_result$prop和hp_result$IJ的 Total 混用了。prop是已经归一化到总 R² 的百分比各变量之和应该等于 100%IJ的 Total 是原始 R² 贡献之和等于全模型 R²。写论文时统一用prop列并在方法部分说明“贡献率基于层次分割各变量贡献之和为 100%”。如果审稿人要求报告原始 R²再附IJ表。6. 进阶验证用方差分解交叉验证层次分割结果层次分割给了一组贡献率但它依赖 R² 分解框架。想进一步确认结果稳健我一般会做两件事一是用relaimpo的calc.relimp算 LMG 和 First/Last 指标做交叉对比二是用vegan包的varpart做方差分解看两者排序是否一致。如果三种方法给出的重要性排序大体相同结论就站得住如果差异大说明变量间相关性结构复杂需要在论文里讨论局限性。library(relaimpo) # LMG 和 First/Last 交叉验证 relaimpo_result - calc.relimp(y ~ ., data data.frame(y y, x), type c(lmg, first, last)) relaimpo_result$lmg relaimpo_result$first relaimpo_result$last # vegan 方差分解 library(vegan) vp - varpart(y, x) vpcalc.relimp的type参数可以同时要多种指标lmg是层次分割的近似first是变量最先进入模型的贡献last是最后进入的贡献。三者排序一致说明变量重要性稳健。varpart输出每个变量的调整 R² 和共同解释部分和层次分割的 I/J 结构类似但算法不同适合做敏感性分析。注意varpart对变量数也敏感超过 10 个变量时共同部分会变得很大解释时要谨慎。最后说个血泪经验我早期投稿时只报了层次分割的 Total 贡献审稿人追问“共同贡献占多少”临时补跑rand.hp又等了两天。从那以后我每次跑完层次分割都会把 I、J、Total、Prop 四列一次性导出随机化检验和交叉验证同步做掉图也一次出两张——单条形图和堆叠图各存一份。这样无论审稿人问哪个角度手里都有现成结果不用返工。希望帮到你。本文还有配套的精品资源点击获取