ช่วงความมั่นใจสำหรับรุ่น GAM


14

mgcv::gamหน้าความช่วยเหลือของReading :

ความมั่นใจ / ช่วงเวลาที่น่าเชื่อถือนั้นพร้อมใช้งานสำหรับปริมาณใด ๆ ที่คาดการณ์ไว้โดยใช้แบบจำลองที่ติดตั้งไว้

อย่างไรก็ตามฉันไม่สามารถหาวิธีที่จะได้รับจริง ฉันคิดว่าpredict.gamจะมีtype=confidenceและlevelพารามิเตอร์ แต่ไม่ได้ คุณช่วยฉันเกี่ยวกับวิธีการสร้างมันได้หรือไม่

คำตอบ:


33

ตามปกติ:

p <- predict(mod, newdata, type = "link", se.fit = TRUE)

ทราบแล้วว่าpมีส่วนประกอบที่มีข้อผิดพลาดมาตรฐานของการคาดการณ์สำหรับการสังเกตใน$se.fit newdataจากนั้นคุณสามารถสร้าง CI โดยการคูณ SE ด้วยค่าที่เหมาะสมกับระดับที่คุณต้องการ เช่นช่วงความมั่นใจโดยประมาณ 95% เกิดขึ้นเมื่อ:

upr <- p$fit + (2 * p$se.fit)
lwr <- p$fit - (2 * p$se.fit)

เสื้อ

โปรดทราบว่าฉันใช้type = "link"เพราะคุณไม่ได้พูดว่าคุณมี GAM หรือแค่ AM ใน GAM คุณจะต้องสร้างช่วงความมั่นใจในระดับของเครื่องทำนายผลแบบเส้นตรงแล้วแปลงให้เป็นระดับของการตอบสนองโดยการใช้อินเวอร์สของฟังก์ชันลิงก์:

upr <- mod$family$linkinv(upr)
lwr <- mod$family$linkinv(lwr)

ตอนนี้โปรดทราบว่าสิ่งเหล่านี้เป็นช่วงเวลาที่ใกล้เคียงกันมาก นอกจากนี้ช่วงเวลาเหล่านี้เป็นจุดที่ชาญฉลาดเกี่ยวกับค่าที่คาดการณ์และพวกเขาไม่คำนึงถึงความจริงที่ว่าการเลือกความราบรื่นได้ดำเนินการ

สามารถคำนวณช่วงความเชื่อมั่นได้พร้อมกันผ่านการจำลองจากการกระจายหลังของพารามิเตอร์ ผมมีตัวอย่างของการที่บนของบล็อก

หากคุณต้องการช่วงความเชื่อมั่นที่ไม่ได้มีเงื่อนไขตามพารามิเตอร์การปรับให้เรียบ (เช่นหนึ่งที่คำนึงถึงที่เราไม่ทราบ แต่แทนที่จะประมาณค่าของพารามิเตอร์ความราบรื่น) แล้วเพิ่มunconditional = TRUEการpredict()โทร

นอกจากนี้หากคุณไม่ต้องการทำสิ่งนี้ด้วยตนเองโปรดทราบว่าmgcvรุ่นใหม่กว่ามีplot.gam()ฟังก์ชันที่ส่งคืนออบเจ็กต์ที่มีข้อมูลทั้งหมดที่ใช้ในการสร้างพล็อตที่ราบรื่นและช่วงความมั่นใจ คุณสามารถบันทึกผลลัพธ์จากplot.gam()ใน obj

obj <- plot(model, ....)

จากนั้นตรวจสอบobjซึ่งเป็นรายการที่มีหนึ่งองค์ประกอบต่อหนึ่งสมูท เพิ่มseWithMean = TRUEไปยังการplot()โทรเพื่อรับช่วงความมั่นใจที่ไม่เป็นไปตามพารามิเตอร์ความราบรื่น


การทำ CI พร้อมกันและ bootstrap แบบพารามิเตอร์จะเกี่ยวข้องกับโค้ดเพิ่มขึ้นเล็กน้อยดังนั้นหากคุณสามารถทำได้โดยใช้ช่วงเวลาที่ดีมาก ถ้าไม่ฉันสามารถให้ตัวอย่างเพิ่มเติมสำหรับแต่ละคน
Reinstate Monica - G. Simpson

+1 สำหรับคำตอบ โพสต์บล็อกที่น่าประทับใจแน่นอนฉันกำลังจะศึกษามันซักพักเพื่อพัฒนาทักษะด้านกราฟิกของฉัน
jbowman

มีวิธีใดบ้างที่ฉันจะสามารถเข้าถึงโพสต์บล็อกที่น่าประทับใจ ( ucfagls.wordpress.com/2011/06/12/… ) ขณะนี้บล็อกต้องมีการเข้าสู่ระบบ
genorama

@geneorama ฉันย้ายบล็อกของฉันออกจาก Wordpress และจ่ายเงินเป็นเวลาหนึ่งปีสำหรับการเปลี่ยนเส้นทางไปยัง URL ใหม่สำหรับ URL ทั้งหมด แต่เมื่อไม่นานมานี้ ขอโทษสำหรับเรื่องนั้น. ฉันแก้ไขในลิงค์ใหม่และนั่นไม่จำเป็นต้องเข้าสู่ระบบ (การเข้าสู่ระบบคือการหลีกเลี่ยงการโพสต์เดียวกันสองสำเนาและฉันขี้เกียจเกินไปที่จะลบหน้าจากเว็บไซต์ Wordpress ในตอนนี้)
Reinstate Monica - G. Simpson

โพสต์บล็อกดั้งเดิม (ดูประวัติการแก้ไขของคำถาม & คำตอบนี้) มีข้อบกพร่องพื้นฐานในการสร้างช่วงเวลาพร้อมกัน ลิงค์ในเวอร์ชั่นปัจจุบัน (ณ เดือนธันวาคม 2559) ของคำตอบจะคำนวณช่วงเวลาพร้อมกันอย่างถูกต้อง
Reinstate Monica - G. Simpson

5

หากคุณต้องการพล็อตพวกมันplot.gamฟังก์ชั่นจะมีการแรเงาที่เป็นค่าเริ่มต้นเพื่อให้เกิดความมั่นใจโดยใช้อากิวเมนต์สี ดูที่gam.vcompการรับช่วงเวลาด้วย


5

แพคเกจmgcv(ใหม่กว่าเกม) พร้อมแปลงช่วงเวลาที่น่าเชื่อถือ วิธีการแบบเบย์นี้แตกต่างจากช่วงความเชื่อมั่น แต่ผลที่ได้เกือบเหมือนกันตามที่การจำลองเชิงตัวเลขแสดงให้เห็น (ดูกระดาษโดย Marra และ Wood ที่เชื่อมโยงเป็น mgcv)


2
+1 ผลลัพธ์ที่สำคัญของกระดาษของ Marra & Wood คือพวกเขาพัฒนาความเข้าใจ / คำอธิบายของ Nychka ว่าทำไมช่วงเวลาที่น่าเชื่อถือของ Bayes เชิงประจักษ์ยังมีการตีความ / พฤติกรรมที่เกิดขึ้นบ่อยครั้งเป็นพิเศษเมื่อมองว่าเป็นช่วงความเชื่อมั่น คุณสามารถปฏิบัติต่อช่วงเวลาในลักษณะเบย์หรือรูปแบบประจำและทรัพย์สินครอบคลุมโดยนัย1-αช่วงเวลาถือประมาณ
Reinstate Monica - G. Simpson
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.