[英]Obtain standard errors of regression coefficients for an “mlm” object returned by `lm()`
[英]Get confidence intervals for regression coefficients of “mlm” object returned by `lm()`
我正在使用2個結果變量和5個預測變量進行多元回歸。 我想獲得所有回歸系數的置信區間。 通常我使用函數lm
但它似乎不適用於多元回歸模型(對象mlm
)。
這是一個可復制的示例。
library(car)
mod <- lm(cbind(income, prestige) ~ education + women, data=Prestige)
confint(mod) # doesn't return anything.
還有其他替代方法嗎? (我可以只使用標准誤差的值乘以正確的臨界t值,但我想知道是否有更簡單的方法來做到這一點)。
這來自predict.lm示例。 您需要interval = 'confidence'
選項。
x <- rnorm(15)
y <- x + rnorm(15)
predict(lm(y ~ x))
new <- data.frame(x = seq(-3, 3, 0.5))
predict(lm(y ~ x), new, se.fit = TRUE)
pred.w.clim <- predict(lm(y ~ x), new, interval = "confidence")
matplot(new$x, pred.w.clim,
lty = c(1,2,2,3,3), type = "l", ylab = "predicted y")
confint
不會返回任何信息,因為不支持“ mlm”方法:
methods(confint)
#[1] confint.default confint.glm* confint.lm confint.nls*
如您所說,我們可以正負一些標准誤差,以得到置信區間的上限/下限。 您可能打算通過coef(summary(mod))
,然后使用一些*apply
方法提取標准錯誤。 但是, 我對獲得lm()
返回的“ mlm”對象的回歸系數的標准誤差的標准 答案 ,為您提供了一種無需查看summary
即可獲得標准誤差的高效方法。 將std_mlm
應用於示例模型可以得到:
se <- std_mlm(mod)
# income prestige
#(Intercept) 1162.299027 3.54212524
#education 103.731410 0.31612316
#women 8.921229 0.02718759
現在,我們定義另一個小函數來計算上下限:
## add "mlm" method to generic function "confint"
confint.mlm <- function (model, level = 0.95) {
beta <- coef(model)
se <- std_mlm (model)
alpha <- qt((1 - level) / 2, df = model$df.residual)
list(lower = beta + alpha * se, upper = beta - alpha * se)
}
## call "confint"
confint(mod)
#$lower
# income prestige
#(Intercept) -3798.25140 -15.7825086
#education 739.05564 4.8005390
#women -81.75738 -0.1469923
#
#$upper
# income prestige
#(Intercept) 814.25546 -1.72581876
#education 1150.70689 6.05505285
#women -46.35407 -0.03910015
這很容易解釋。 例如,對於響應income
,所有變量的95%置信區間為
#(intercept) (-3798.25140, 814.25546)
# education (739.05564, 1150.70689)
# women (-81.75738, -46.35407)
似乎最近(2018年7月)在R-devel列表上對此進行了討論,因此希望在R的下一版本中將其修復。 該列表上建議的解決方法是使用:
confint.mlm <- function (object, level = 0.95, ...) {
cf <- coef(object)
ncfs <- as.numeric(cf)
a <- (1 - level)/2
a <- c(a, 1 - a)
fac <- qt(a, object$df.residual)
pct <- stats:::format.perc(a, 3)
ses <- sqrt(diag(vcov(object)))
ci <- ncfs + ses %o% fac
setNames(data.frame(ci),pct)
}
測試:
fit_mlm <- lm(cbind(mpg, disp) ~ wt, mtcars)
confint(fit_mlm)
得到:
2.5 % 97.5 %
mpg:(Intercept) 33.450500 41.119753
mpg:wt -6.486308 -4.202635
disp:(Intercept) -204.091436 -58.205395
disp:wt 90.757897 134.198380
就個人而言,我喜歡用干凈的方式(使用broom::tidy
會更好,但當前存在問題)
library(tidyverse)
confint(fit_mlm) %>%
rownames_to_column() %>%
separate(rowname, c("response", "term"), sep=":")
得到:
response term 2.5 % 97.5 %
1 mpg (Intercept) 33.450500 41.119753
2 mpg wt -6.486308 -4.202635
3 disp (Intercept) -204.091436 -58.205395
4 disp wt 90.757897 134.198380
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.