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

原文链接:http://tecdat.cn/?p=15062


考虑简单的泊松回归

poiss01.gif

。给定的样本

poiss02.gif

,其中

poiss03.gif
http://freakonometrics.hypotheses.org/files/2016/11/poiss03.gif

,目标是导出用于一个95%的置信区间

poiss04.gif

给出

poiss05.gif

,其中

poiss04.gif

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

代码语言:javascript
复制
> 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)

最大似然估计

http://freakonometrics.hypotheses.org/files/2016/11/poiss07.gif

,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

http://freakonometrics.blog.fre <br /> <br /> e.fr/public/latex/poiss21.gif

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,

代码语言:javascript
复制
> summary(reg)cov.unscaled(Intercept)         speed(Intercept)  0.0066870446 -3.474479e-04speed       -0.0003474479  1.940302e-05&gt; V[,1]          [,2][1,]  0.0066871228 -3.474515e-04[2,] -0.0003474515  1.940318e-05</code></pre></div></div><p>根据这些值,很容易得出线性组合的标准偏差,</p><p>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</p><div class="rno-markdown-code"><div class="rno-markdown-code-toolbar"><div class="rno-markdown-code-toolbar-info"><div class="rno-markdown-code-toolbar-item is-type"><span class="is-m-hidden">代码语言:</span>javascript</div></div><div class="rno-markdown-code-toolbar-opt"><div class="rno-markdown-code-toolbar-copy"><i class="icon-copy"></i><span class="is-m-hidden">复制</span></div></div></div><div class="developer-code-block"><pre class="prism-token token line-numbers language-javascript"><code class="language-javascript" style="margin-left:0">&gt; segments(30,exp(P2fit-1.96P2se.fit),+ 30,exp(P2fit+1.96P2se.fit),col=&#34;blue&#34;,lwd=3)</code></pre></div></div><p>基于该技术,置信区间不再以预测为中心。</p><figure class=""><div class="rno-markdown-img-url" style="text-align:center"><div class="rno-markdown-img-url-inner" style="width:86.99%"><div style="width:100%"><img src="https://cdn.static.attains.cn/app/developer-bbs/upload/1723366361369093406.png" /></div></div></div></figure><ul class="ul-level-0"><li><strong>增量法</strong></li></ul><p>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,</p><div class="rno-markdown-code"><div class="rno-markdown-code-toolbar"><div class="rno-markdown-code-toolbar-info"><div class="rno-markdown-code-toolbar-item is-type"><span class="is-m-hidden">代码语言:</span>javascript</div></div><div class="rno-markdown-code-toolbar-opt"><div class="rno-markdown-code-toolbar-copy"><i class="icon-copy"></i><span class="is-m-hidden">复制</span></div></div></div><div class="developer-code-block"><pre class="prism-token token line-numbers language-javascript"><code class="language-javascript" style="margin-left:0">&gt; P1fit1155.4048se.fit18.931232residual.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

代码语言:javascript
复制
> exp(P2fit-1.96*P2se.fit)1138.8495> P1fit-1.96*P1se.fit1137.8996> exp(P2fit+1.96*P2se.fit)1173.9341> P1fit+1.96*P1se.fit1172.9101
  • 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,


参考文献

1.用SPSS估计HLM层次线性模型模型

2.R语言线性判别分析(LDA),二次判别分析(QDA)和正则判别分析(RDA)

3.基于R语言的lmer混合线性回归模型

4.R语言Gibbs抽样的贝叶斯简单线性回归仿真分析

5.在r语言中使用GAM(广义相加模型)进行电力负荷时间序列分析

6.使用SAS,Stata,HLM,R,SPSS和Mplus的分层线性模型HLM

7.R语言中的岭回归、套索回归、主成分回归:线性模型选择和正则化

8.R语言用线性回归模型预测空气质量臭氧数据

9.R语言分层线性模型案例