R 如何计算惩罚logistic回归中的偏差均方误差和标准误差？

我正在从事惩罚逻辑回归的博士研究

在使用R的模拟中，我运行以下代码：

library(penalized)

x0 <- matrix(rnorm(100,1))
y <- as.numeric(runif(100)>0.5)
x <- as.matrix(cbind("Intercept"=1, x0))
n <- nrow(x)
p <- ncol(x)

penL1 <- penalized(y, x,lambda1=1,lambda2=0, positive = FALSE, fusedl=FALSE,
         model = "logistic", steps =1, epsilon = 1e-10, standardize = FALSE, trace = TRUE)
penL1

库（受处罚）
x0来自<代码>惩罚<代码>渐晕图：

要求回归的标准误差是一个很自然的问题
系数或其他估计量。原则上这样的标准
可以很容易地计算错误，例如使用引导。不过，这个
软件包故意不提供它们

这是因为标准错误不是很有意义
对于强偏差估计，例如由惩罚估计产生的估计
方法。惩罚估计是一个减少方差的过程
通过引入实质性偏差对估计量进行修正。每个人的偏见
因此，估计器是其均方误差的主要组成部分，
然而，其差异可能只贡献了一小部分

从<代码>惩罚渐晕图：

要求回归的标准误差是一个很自然的问题
系数或其他估计量。原则上这样的标准
可以很容易地计算错误，例如使用引导。不过，这个
软件包故意不提供它们

这是因为标准错误不是很有意义
对于强偏差估计，例如由惩罚估计产生的估计
方法。惩罚估计是一个减少方差的过程
通过引入实质性偏差对估计量进行修正。每个人的偏见
因此，估计器是其均方误差的主要组成部分，
然而，其差异可能只贡献了一小部分

从<代码>惩罚渐晕图：

要求回归的标准误差是一个很自然的问题
系数或其他估计量。原则上这样的标准
可以很容易地计算错误，例如使用引导。不过，这个
软件包故意不提供它们

这是因为标准错误不是很有意义
对于强偏差估计，例如由惩罚估计产生的估计
方法。惩罚估计是一个减少方差的过程
通过引入实质性偏差对估计量进行修正。每个人的偏见
因此，估计器是其均方误差的主要组成部分，
然而，其差异可能只贡献了一小部分

从<代码>惩罚渐晕图：

要求回归的标准误差是一个很自然的问题
系数或其他估计量。原则上这样的标准
可以很容易地计算错误，例如使用引导。不过，这个
软件包故意不提供它们

这是因为标准错误不是很有意义
对于强偏差估计，例如由惩罚估计产生的估计
方法。惩罚估计是一个减少方差的过程
通过引入实质性偏差对估计量进行修正。每个人的偏见
因此，估计器是其均方误差的主要组成部分，
然而，其差异可能只贡献了一小部分