注意:这是一个交叉发布。我上周在Cross Validated上发布了这个问题,然而,它要么不适合那里,要么不被认可 - 因此,我试图在这里得到一个答案......
当我使用二项式族(逻辑回归)运行glm
时,R输出给出了logit估计值,可以使用plogis(logit)
将其转换为概率。因此,使用类似plogis(predict(glm_fit, type = "terms"))
的内容可以为每个预测变量提供调整后的成功概率。
但泊松回归的等价物是什么?如何“预测”每个预测变量的调整事件率?
给出这个例子:
set.seed(123)
dat <- data.frame(y = rpois(100, 1.5),
x1 = round(runif(n = 100, 30, 70)),
x2 = rbinom(100, size = 1, prob = .8),
x3 = round(abs(rnorm(n = 100, 10, 5))))
fit <- glm(y ~ x1 + x2 + x3, family = poisson(), data = dat)
并使用predict.glm(fit, type = "terms")
我明白了:
x1 x2 x3
1 -0.023487964 0.04701003 0.02563723
2 0.052058119 -0.20041119 0.02563723
3 0.003983339 0.04701003 0.01255701
4 -0.119637524 0.04701003 -0.03322376
5 0.010851165 0.04701003 -0.00706332
6 -0.105901873 -0.20041119 -0.00706332
...
attr(,"constant")
[1] 0.3786072
那么,对于x1
的每个值,我会期待多少“事件”(y值),保持x2
和x3
不变(predict
做什么, AFAIK)?
答案 0 :(得分:0)
好吧,我想我现在找到了我要找的东西:反向链接功能。因此,family(fit)$linkinv(eta = ...)
为我提供了不同模型族和链接函数的正确预测值/效果。
例如,对于使用logit-link的二项式回归,family(fit)$linkinv(eta = x)
相当于plogis(x)
。