Question

我尝试了两种方法，但我发现两者都有困难。在用两种方法告诉你我的问题之前，我试着更好地解释哪个是我的问题。

我有数据集“接受”，其中我有一个医院中每天接受的数量，具有前面描述的独立变量。医院有三个地方我们进行访问。因此，在我的数据集中，我每天有3行，每个地方一个。数据集似乎如下：

Date        Place    NumerAccept    weekday month   NoConvention    Rain

2008-01-02  Place1        203       wed     Gen         0             1
2008-01-02  Place2         70       wed     Gen         0             1
2008-01-02  Place3          9       wed     Gen         0             1
2008-01-03  Place1        345       thu     Gen         0             1
2008-01-03  Place2         24       thu     Gen         0             1
2008-01-03  Place3         99       thu     Gen         0             1
2008-01-04  Place1        339       fri     Gen         0             0
2008-01-04  Place2         36       fri     Gen         0             0
2008-01-04  Place3        101       fri     Gen         0             0

....等等......我有直到昨天的数据集，所以最后三行是2013年7月29日的接受。现在我做我的泊松回归：

poisson_reg=glm(NumeberAccept ~ 1 + weekday + month + place + NoConvention + Rain, 
                    family = poisson(link = log), data = acceptances)

现在，对于我的预测，我创建了一个新的数据集acceptances_2，我想从中计算接下来2个月的接受次数的预测间隔！所以第一行将是今天的接受数量，最后一行将是9月29日的接受数量。

我不知道这个问题是否已经有了答案，但我无法找到答案。我正在尝试在R中进行泊松回归，我想获得预测间隔。我看到lm的预测函数给它写了'interval="prediction"'，但它不适用于predict.glm！

有人知道是否有办法获得这些预测间隔？如果你有一些例子，可以输入代码吗？

所以我必须计算一家医院的日常接受次数，我有以下代码：

poisson_reg=glm(NumeberAccept ~ 1 + weekday + month + place + NoConvention + Rain, 
                family = poisson(link = log), data = dataset)
summary(poisson_reg)

现在，如果我输入R predict(poisson_reg, newdata, type="responce")，我会预测每天的接受次数，但我也需要预测间隔！我在预测调用中看到了类"lm"的对象，您可以编写：predict(poisson_reg, newdata, interval="prediction")并且它给出了95％的预测间隔。有没有办法用类"glm"的对象获得相同的东西？

Answer 1

这可能更像是一个统计问题，而不是一个编程问题，但是：

窃取上一个问题的示例数据：

ex <- read.table(
  header=TRUE, text='
Number.Accepted  Weekday    Month   Place
  20    6   8   1
  16    7   8   1
  12    4   8   2
  11    7   1   1
  12    1   4   1
  12    7   10  2
  13    5   6   2
')
ex.glm <- glm(Number.Accepted ~ Weekday + Month + Place,
              family = poisson, data = ex)

我们想要预测间隔的数据框：

newdata <- data.frame(Weekday=c(5,6),Month=c(9,9),Place=c(1,1))

这样的事情：

bootSimFun <- function(preddata,fit,data) {
    bdat <- data[sample(seq(nrow(data)),size=nrow(data),replace=TRUE),]
    bfit <- update(fit,data=bdat)
    bpred <- predict(bfit,type="response",newdata=preddata)
    rpois(length(bpred),lambda=bpred)
}

您也可以使用基础R中的replicate()，但plyr::raply()很方便：

library(plyr)
set.seed(101)
simvals <- raply(500,bootSimFun(preddata=newdata,fit=ex.glm,data=ex))
t(apply(simvals,2,quantile,c(0.025,0.975)))
##    2.5% 97.5%
## 1 7.000    40
## 2 7.475    36

Answer 2

考虑Zelig包。请参阅泊松小插图 - http://rss.acs.unt.edu/Rdoc/library/Zelig/doc/poisson.pdf。

Zelig有一个统一的方法，不仅仅是建模（为此，glm（）及其各种链接功能就足够了），还可以提取和绘制感兴趣的数量。特别是，要模拟预测范围 - 而不仅仅是预期范围 - 您必须模拟系数（系统组件）和误差项（随机组件）。简单地对误差项进行平均，我认为这就是predict.glm（）的作用，它将为您提供更窄的预期范围。

Zelig有一个函数sim（）模拟系统和随机组件，并输出可用于绘制预测范围和预期范围的内存对象。它还有一个函数setx（），你可以在sim（）之前使用它，如果你想模拟你的解释变量给定值的预测不确定性。见这里 - http://rss.acs.unt.edu/Rdoc/library/Zelig/html/setx.html。

这一切都始于本文：http://gking.harvard.edu/files/abs/making-abs.shtml。 Zelig基本上是Clarify长大的。

R的泊松回归预测区间

2 个答案: