如何引导R中贝塔回归模型的预测和置信水平
我在R中运行一个贝塔回归模型,该模型基于一个定量预测变量(振幅=40,50,60,70)的比例数据。我已经能够从模型中得到40、50、60、70的比例预测,并绘制它如何引导R中贝塔回归模型的预测和置信水平,r,confidence-interval,R,Confidence Interval,我在R中运行一个贝塔回归模型,该模型基于一个定量预测变量(振幅=40,50,60,70)的比例数据。我已经能够从模型中得到40、50、60、70的比例预测,并绘制它 我从本网站和其他网站的研究中了解到,从贝塔回归模型获得预测的置信区间与其他模型不一样/不那么容易。我读过很多文章,为了获得贝塔回归模型的置信水平,从模型中引导预测是获得置信区间/带的一种方法(如其他文章中所述,例如Achim Zeileis在《线程:》中所述)。我的问题是,人们将如何进行这种增强,以从我在R中的模型中得到预测和预测的
我从本网站和其他网站的研究中了解到,从贝塔回归模型获得预测的置信区间与其他模型不一样/不那么容易。我读过很多文章,为了获得贝塔回归模型的置信水平,从模型中引导预测是获得置信区间/带的一种方法(如其他文章中所述,例如Achim Zeileis在《线程:》中所述)。我的问题是,人们将如何进行这种增强,以从我在R中的模型中得到预测和预测的置信度?理想情况下,我希望得到振幅比例的预测值:40、50、60和70,并具有一定的置信度。我对引导相当陌生,因此如果有人了解如何从beta回归模型中引导预测和置信区间,那将非常好。不确定您到底在寻找什么,但
引导
包可能会提供一个解决方案。下面是一个使用随机数据引导回归的玩具示例:
library(boot)
library(xts)
set.seed(789)
dat <- xts(matrix(rnorm(1200), nrow=240, ncol=5),
as.Date(c(seq(as.Date("1990/1/1"), by = "month", length.out = 240))))
colnames(dat) <-c("A", "B", "C", "D", "E")
function.1 <-function(formula, dat, x) {
a <-dat[x,]
output <-lm(formula, data=a)
return(coef(output))
}
results <- boot(data=dat,
statistic=function.1,
R=1000,
formula=A ~ .)
results.ci <-boot.ci(results, type="basic", index=2)
results
ORDINARY NONPARAMETRIC BOOTSTRAP
Call:
boot(data = dat, statistic = function.1, R = 1000, formula = A ~
.)
Bootstrap Statistics :
original bias std. error
t1* -0.06716150 0.0029368176 0.06517814
t2* -0.04582073 -0.0050721571 0.07658141
t3* 0.14324494 0.0010631253 0.06500446
t4* 0.06771263 -0.0028811702 0.06247530
t5* 0.05620244 0.0005347628 0.06102209
results.ci
BOOTSTRAP CONFIDENCE INTERVAL CALCULATIONS
Based on 1000 bootstrap replicates
CALL :
boot.ci(boot.out = results, type = "basic", index = 2)
Intervals :
Level Basic
95% (-0.1960, 0.1015 )
Calculations and Intervals on Original Scale
库(启动)
图书馆(xts)
种子(789)
dat您能否编辑您的问题以添加一个小示例?您可能会在正在使用的R函数的帮助页面底部找到一个示例。请同时添加您正在使用的所有软件包。我的疏忽已经纠正,Imo 40。