R语言使用bootstrap和增量法计算广义线性模型（GLM）预测置信区间|附代码数据

原文链接：http://tecdat.cn/?p=15062

最近我们被客户要求撰写关于广义线性模型（GLM）预测置信区间的研究报告，包括一些图形和统计输出。

考虑简单的泊松回归

我们要导出预测的置信区间，而不是观测值，即下图的点

> r=glm(dist~speed,data=cars,family=poisson)
> P=predict(r,type="response",
+ newdata=data.frame(speed=seq(-1,35,by=.2)))
> plot(cars,xlim=c(0,31),ylim=c(0,170))
> abline(v=30,lty=2)
> lines(seq(-1,35,by=.2),P,lwd=2,col="red")
> P0=predict(r,type="response",se.fit=TRUE,
+ newdata=data.frame(speed=30))
> points(30,P1$fit,pch=4,lwd=3)

 

即

 

最大似然估计。

，Fisher信息来自标准最大似然理论。

这些值的计算基于以下计算\
\
在对数泊松回归的情况下，

让我们回到最初的问题。

• 线性组合的置信区间

获得置信区间的第一个想法是获得置信区间（通过取边界的指数值）。渐近地，我们知道

因此，方差矩阵的近似将基于通过插入参数的估计量而获得。\
然后，由于作为渐近多元分布，参数的任何线性组合也将是正态的，即具有正态分布。所有这些数量都可以轻松计算。首先，我们可以得到估计量的方差

因此，如果我们与回归的输出进行比较，

> summary(reg)$cov.unscaled
(Intercept)         speed
(Intercept)  0.0066870446 -3.474479e-04
speed       -0.0003474479  1.940302e-05
> V
[,1]          [,2]
[1,]  0.0066871228 -3.474515e-04
[2,] -0.0003474515  1.940318e-05

根据这些值，很容易得出线性组合的标准偏差，

一旦我们有了标准偏差和正态性，就得出了置信区间，然后，取边界的指数，就得到了置信区间

> segments(30,exp(P2$fit-1.96*P2$se.fit),
+ 30,exp(P2$fit+1.96*P2$se.fit),col="blue",lwd=3)

 

基于该技术，置信区间不再以预测为中心。

 

---

点击标题查阅往期内容

R语言广义线性模型GLM、多项式回归和广义可加模型GAM预测泰坦尼克号幸存者

左右滑动查看更多

01

02

03

04

• 增量法

实际上，使用表达式作为置信区间不会喜欢非中心区间。因此，一种替代方法是使用增量方法。我们可以使用一个程序包来计算该方法，而不是在理论上再次写一些东西，

> P1
$fit
1
155.4048

$se.fit
1
8.931232

$residual.scale
[1] 1

 

增量法使我们具有（渐近）正态性，因此一旦有了标准偏差，便可以得到置信区间。

 

通过两种不同的方法获得的数量在这里非常接近

> exp(P2$fit-1.96*P2$se.fit)
1
138.8495
> P1$fit-1.96*P1$se.fit
1
137.8996
> exp(P2$fit+1.96*P2$se.fit)
1
173.9341
> P1$fit+1.96*P1$se.fit
1
172.9101

• bootstrap技术

第三种方法是使用bootstrap技术基于渐近正态性（仅50个观测值）得出这些结果。我们的想法是从数据集中取样，并对这些新样本进行log-Poisson回归，并重复很多次数，

 

 

---

---

点击文末 “阅读原文”

获取全文完整代码数据资料。

本文选自《R语言使用bootstrap和增量法计算广义线性模型（GLM）预测置信区间》。

点击标题查阅往期内容

R语言广义线性模型GLM、多项式回归和广义可加模型GAM预测泰坦尼克号幸存者\
R语言广义线性模型(GLM)、全子集回归模型选择、检验分析全国风向气候数据\
R语言用Rshiny探索lme4广义线性混合模型（GLMM）和线性混合模型（LMM）\
R语言用潜类别混合效应模型(Latent Class Mixed Model ,LCMM)分析老年痴呆年龄数据\
R语言贝叶斯广义线性混合（多层次/水平/嵌套）模型GLMM、逻辑回归分析教育留级影响因素数据R语言估计多元标记的潜过程混合效应模型（lcmm）分析心理测试的认知过程\
R语言因子实验设计nlme拟合非线性混合模型分析有机农业施氮水平\
R语言非线性混合效应 NLME模型(固定效应&随机效应)对抗哮喘药物茶碱动力学研究\
R语言用线性混合效应（多水平/层次/嵌套）模型分析声调高低与礼貌态度的关系\
R语言LME4混合效应模型研究教师的受欢迎程度R语言nlme、nlmer、lme4用（非）线性混合模型non-linear mixed model分析藻类数据实例\
R语言混合线性模型、多层次模型、回归模型分析学生平均成绩GPA和可视化\
R语言线性混合效应模型（固定效应&随机效应）和交互可视化3案例\
R语言用lme4多层次（混合效应）广义线性模型（GLM），逻辑回归分析教育留级调查数据R语言 线性混合效应模型实战案例\
R语言混合效应逻辑回归（mixed effects logistic）模型分析肺癌数据\
R语言如何用潜类别混合效应模型（LCMM）分析抑郁症状\
R语言基于copula的贝叶斯分层混合模型的诊断准确性研究\
R语言建立和可视化混合效应模型mixed effect model\
R语言LME4混合效应模型研究教师的受欢迎程度\
R语言 线性混合效应模型实战案例\
R语言用Rshiny探索lme4广义线性混合模型（GLMM）和线性混合模型（LMM）\
R语言基于copula的贝叶斯分层混合模型的诊断准确性研究\
R语言如何解决线性混合模型中畸形拟合(Singular fit)的问题\
基于R语言的lmer混合线性回归模型\
R语言用WinBUGS 软件对学术能力测验建立层次（分层）贝叶斯模型\
R语言分层线性模型案例\
R语言用WinBUGS 软件对学术能力测验（SAT）建立分层模型\
使用SAS，Stata，HLM，R，SPSS和Mplus的分层线性模型HLM\
R语言用WinBUGS 软件对学术能力测验建立层次（分层）贝叶斯模型\
SPSS中的多层（等级）线性模型Multilevel linear models研究整容手术数据\
用SPSS估计HLM多层（层次）线性模型模型