Ich versuche Konfidenzintervalle zu berechnen für Null aufgeblasene Modelle, die eingestellt wurden, um die Funktion zeroinfl mit bis()R: vorhersagen() für Null-aufgeblasenes Modell nicht zurück se.fit
wenn ich berechnen, um sie von einem linearen Modell oder GLM die Funktion mit
predict(glm, newdata, type = "response", se.fit = TRUE)
es funktioniert gut und gibt Werte für $ fit, $ se.fit, $ df und $ residual.scale (ich weiß nicht, was die zwei letzte Ausgänge stehen für - Klarstellungen dazu werden ebenfalls sehr geschätzt.
Wenn ich jedoch die Glm durch ein Null-aufgeblasenes Modell ersetze, bekomme ich nur die Werte für $ fit.
Hier ein Beispiel: (ich weiß nicht, wie set.seed verwenden - so mir die Schuld nicht auf, dass)
set.seed(123)
a <- data.frame(participant = c(1:10),
activity = c(round(abs(rnorm(10)))),
METmin = c(round(abs(rnorm(10)))),
Var4 = c(round(abs(rnorm(10)))),
Var5 = c(round(abs(rnorm(10)))))
b <- data.frame(participant = c(1:10),
activity = c(round(abs(rnorm(10)))),
METmin = c(round(abs(rnorm(10)))),
Var4 = c(round(abs(rnorm(10)))),
Var5 = c(round(abs(rnorm(10)))))
identical(a,b) #FALSE
model <- zeroinfl(METmin~activity + Var4 + Var5, data = a)
predict(model, newdata = b, type = "response", se.fit = T)
Weiß jemand, was schief geht hier und wie kann ich berechnen diese Standardfehler?
Vielen Dank.
@MrFlick Ich habe die Frage oben bearbeitet. – fabha
$ df steht für Freiheitsgrade. Ich bin nicht vertraut mit residual.scale, aber Residuen sind in der Regel geplottet, um zu sehen, ob es zufällig um y = 0 verteilt ist. Von https://stat.ethz.ch/R-manual/R-devel/library/stats/html/predict.glm.html erzeugt die $ residual.scale einen Skalar, der die Quadratwurzel der Dispersion angibt, die bei der Berechnung der Standardfehler. – user108363