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

---

可下载资源

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)

即

​

最大似然估计​。

​

---

视频

什么是Bootstrap自抽样及R语言Bootstrap线性回归预测置信区间

探索见解 ➜

去bilibili观看 ➜

探索更多视频 ➜

---

视频

逻辑回归Logistic模型原理和R语言分类预测冠心病风险实例

探索见解 ➜

去bilibili观看 ➜

探索更多视频 ➜

，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，

> 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，

​