4

私は両方のアプローチを試しましたが、両方に問題があります.2つのアプローチで質問をする前に、どちらが私の問題であるかをよりよく説明しようとします.

前に説明した独立変数を使用して、病院での毎日の受け入れ数を持つデータセット「受け入れ」があります。病院には、訪問を行う場所が 3 つあります。そのため、私のデータセットには、場所ごとに 1 日に 3 つの行があります。データセットは次のようになります。

Date        Place    NumerAccept    weekday month   NoConvention    Rain

2008-01-02  Place1        203       wed     Gen         0             1
2008-01-02  Place2         70       wed     Gen         0             1
2008-01-02  Place3          9       wed     Gen         0             1
2008-01-03  Place1        345       thu     Gen         0             1
2008-01-03  Place2         24       thu     Gen         0             1
2008-01-03  Place3         99       thu     Gen         0             1
2008-01-04  Place1        339       fri     Gen         0             0
2008-01-04  Place2         36       fri     Gen         0             0
2008-01-04  Place3        101       fri     Gen         0             0

.... など... 昨日までのデータセットがあるので、最後の 3 行は 2013 年 7 月 29 日の昨日の承認です。次に、ポアソン回帰を実行します。

poisson_reg=glm(NumeberAccept ~ 1 + weekday + month + place + NoConvention + Rain, 
                    family = poisson(link = log), data = acceptances)

ここで、予測のために新しいデータセットacceptances_2を作成します。このデータセットから、次の2か月の受入数の予測間隔を計算します!! したがって、最初の行は今日の承認数になり、最後の行は 9 月 29 日の承認数になります。

この質問にすでに回答があるかどうかはわかりませんが、見つけることができませんでした。R でポアソン回帰を実行しようとしていますが、予測区間を取得したいと考えています。の予測関数がlm書き込みを与えることがわかりましたが、 !では機能'interval="prediction"'しません。predict.glm

それらの予測間隔を持つ方法があるかどうか誰かが知っていますか?? いくつかの例があれば、コードを入力できますか?

したがって、病院での毎日の受け入れの数を数えなければならず、次のコードがあります。

poisson_reg=glm(NumeberAccept ~ 1 + weekday + month + place + NoConvention + Rain, 
                family = poisson(link = log), data = dataset)
summary(poisson_reg)

ここで Rpredict(poisson_reg, newdata, type="responce")と入力すると、毎日の受け入れ数の予測が得られますが、予測間隔も必要です! 私は、予測呼び出しのクラスのオブジェクトに対して次の"lm"ように記述できることを確認しました。predict(poisson_reg, newdata, interval="prediction")これにより、95% の予測間隔が得られます。class のオブジェクトで同じものを取得する方法はあり"glm"ますか?

4

2 に答える 2

3

Zelig パッケージを検討してください。http://rss.acs.unt.edu/Rdoc/library/Zelig/doc/poisson.pdfのポアソン ビネットを参照してください。

Zelig は、モデリング (そのためには、さまざまなリンク関数を備えた glm() で十分です) だけでなく、関心のある量の抽出とプロットにも統一されたアプローチを採用しています。特に、期待される範囲だけではなく、予測される範囲をモデル化するには、係数 (系統的要素) と誤差項 (確率的要素) の両方をシミュレートする必要があります。私が思うに、predict.glm() が行うことと思われる誤差項を単純に平均すると、予想される範囲が狭くなります。

Zelig には、系統的コンポーネントと確率的コンポーネントの両方をシミュレートする関数 sim() があり、予測範囲と期待範囲の両方をプロットするために使用できるメモリ オブジェクトを出力します。また、説明変数の特定の値に対する予測の不確実性をシミュレートする場合に、sim() の前に使用できる関数 setx() もあります。ここを参照してください - http://rss.acs.unt.edu/Rdoc/library/Zelig/html/setx.html。

すべてはこの論文から始まりました: http://gking.harvard.edu/files/abs/making-abs.shtml . Zelig は基本的に、Clarify が育ったものです。

于 2013-07-29T15:05:11.660 に答える