爲R上

Question

泊松迴歸預測區間我tryed兩種方法，但我覺得既困難.. 我嘗試更好地解釋這是我的問題之前，我告訴你，我的問題與這兩種方法。

我有數據集「承兌匯票」，其中我在用之前介紹的indipendent變量的醫院接受日常的數量。醫院有三個地方我們做訪問......所以在我的數據集中，我每天有三行一個地方。該數據集似乎是：

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......我有數據集，直到昨天，所以最後三行是昨天29 2013年七月 現在，我做我的泊松的承兌匯票迴歸：

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

現在對於我的預測，我創建從中我想計算的預測區間爲承兌匯票在未來2個月內數的新數據集acceptances_2！所以，第一行會acceptations今天的號碼，最後一行將在9月29日在接受

---

我不知道，如果這個問題已經有一個答案，但我沒能找到它。我試圖在R中做一個泊松迴歸，我想獲得預測區間。我看到lm的預測函數會給它編寫'interval="prediction"'，但它不適用於predict.glm！

有人知道是否有方法來預測這些間隔？如果你有一些例子，你可以輸入代碼嗎？

所以我要算在醫院日常接受的數目，我有以下代碼：

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

現在，如果我中的R predict(poisson_reg, newdata, type="responce")型我有接受日常數量的預測，但我也需要預測間隔！ 我在預測調用中看到對於類"lm"的對象，您可以編寫：predict(poisson_reg, newdata, interval="prediction")，它給出了95％的預測間隔。有沒有辦法與類"glm"的對象獲得相同的結果？

Answer 1

這也許比一個編程問題的統計問題，而是：

從以前的問題偷竊示例數據：

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) 

數據幀，我們要預測區間：

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

類似這樣的：

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) 
} 

您還可以使用replicate()從基礎R，但plyr::raply()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

考慮澤裏格柯包。請參閱泊松小插圖 - http://rss.acs.unt.edu/Rdoc/library/Zelig/doc/poisson.pdf。

澤裏格柯已經不僅僅是造型的統一方法（對於這一點，GLM（）與它的各種鏈接的功能就足夠了），而且要提取和繪製的利息量。特別是，爲了模擬預測範圍 - 與預期範圍相反 - 您必須模擬係數（系統組件）和誤差項（隨機組件）。簡單地對誤差項進行平均，我認爲這就是predict.glm（）所做的，它會給你預期的範圍，這個範圍更窄。

澤裏格柯具有如下功能：SIM（）模擬兩個系統的和隨機分量，並輸出存儲器對象，可以使用繪製二者的預測和預期範圍。如果你想模擬你的解釋變量給定值的預測不確定性，它還有一個你可以在sim（）之前使用的函數setx（）。看到這裏 - http://rss.acs.unt.edu/Rdoc/library/Zelig/html/setx.html。

這一切都始於本文：http://gking.harvard.edu/files/abs/making-abs.shtml。 Zelig基本上是Clarify長大的。