0
点赞
收藏
分享

微信扫一扫

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


最近我们被客户要求撰写关于广义线性模型的研究报告,包括一些图形和统计输出。

考虑简单的泊松回归

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_广义线性模型

。给定的样本

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_线性模型_02

,其中

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_广义线性模型_03

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_广义线性模型_04

,目标是导出用于一个95%的置信区间

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_数据_05

给出

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_数据_06

,其中

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_线性模型_07

是预测。

 

因此,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)

 

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_线性模型_08

 

最大似然估计

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_广义线性模型_09


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_数据_10

,Fisher信息来自标准最大似然理论。

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_数据_11

这些值的计算基于以下计算

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_数据_12


在对数泊松回归的情况下,

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_广义线性模型_13

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

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_线性模型_14

(通过取边界的指数值)。渐近地,我们知道

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_线性模型_15

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。

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_线性模型_16

 01

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_数据_17

02

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_广义线性模型_18

03

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_线性模型_19

04

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_线性模型_20

  • 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。

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_广义线性模型_21

 

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,

 

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_数据_22

 

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_数据_23

举报

相关推荐

0 条评论