如何引導R中Beta回歸模型的預測和置信度

Question

我正在使用具有一個定量預測變量（ 振幅 = 40、50、60、70）的比例數據在R中運行Beta回歸模型。 我已經能夠從模型中獲得40、50、60、70的比例的預測值並將其繪制出來。

通過在該站點和其他站點上的研究，我了解到，使用beta回歸模型獲得預測的置信區間並不像使用其他模型那樣容易。 我已經讀到了有關獲得beta回歸模型的置信度的信息，從模型中引導預測是獲得置信區間/帶的一種方法（如其他帖子所述，例如Achim Zeileis在線程上發表的內容： https：// stats .stackexchange.com / questions / 230501 / variance-vs-standard-deviation-in-beta-regression？noredirect = 1＆lq = 1 ）。 我的問題是，人們將如何實際進行這種增強處理以從我的模型在R中獲得預測和預測的置信度？ 理想情況下，我希望以一定的置信度來預測振幅比例：40、50、60和70。 對於引導程序，我還是比較陌生，因此，如果有人深入了解如何從beta回歸模型中引導預測和置信區間，那就太好了。

Answer 1

不確定您要查找的是什么，但是boot包可能會提供解決方案。 這是一個使用隨機數據引導回歸的玩具示例：

    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