注意:这是交叉发布。我上周在 Cross Validated 上发布了这个问题,但是,它要么不适合那里,要么没有被识别 - 因此,我试图在这里得到答案......
当我使用二项式族(逻辑回归)运行 glm
时,R 输出为我提供了 logit 估计值,可以使用 plogis(logit)
将其转换为概率>。因此,使用 plogis(predict(glm_fit, type = "terms"))
之类的东西会为每个预测变量提供调整后的成功概率。
但是泊松回归的等价物是什么?我如何“预测”每个预测变量的调整后事故率?
给出这个例子:
set.seed(123)
dat <- data.frame(y = rpois(100, 1.5),
x1 = round(runif(n = 100, 30, 70)),
x2 = rbinom(100, size = 1, prob = .8),
x3 = round(abs(rnorm(n = 100, 10, 5))))
fit <- glm(y ~ x1 + x2 + x3, family = poisson(), data = dat)
并使用 predict.glm(fit, type = "terms")
我得到:
x1 x2 x3
1 -0.023487964 0.04701003 0.02563723
2 0.052058119 -0.20041119 0.02563723
3 0.003983339 0.04701003 0.01255701
4 -0.119637524 0.04701003 -0.03322376
5 0.010851165 0.04701003 -0.00706332
6 -0.105901873 -0.20041119 -0.00706332
...
attr(,"constant")
[1] 0.3786072
因此,对于 x1
的每个值,我期望有多少“事件”(y 值),保持 x2
和 x3
不变(predict
做什么,afaik)?
最佳答案
好的,我想我现在找到了我要找的东西:反向链接函数。因此,family(fit)$linkinv(eta = ...)
为我提供了不同模型系列和链接函数的正确预测值/效果。
例如,对于使用 logit-link 的二项式回归,family(fit)$linkinv(eta = x)
等同于 plogis(x)
。
关于r - 等同于 R 中泊松族的 plogis(logit),我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/33215517/