Question

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）？

Answer 1

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)。

相当于R中泊松族的plogis（logit）

1 个答案: