Я пытаюсь определить доверительные интервалы для прогнозируемых вероятностей из биномиальной логистической регрессии в R. Модель оценивается с использованием lrm
(из пакета rms
), чтобы обеспечить стандартную ошибку кластеризации при опросе респондентов (каждый респондент появляется до 3 раз в данных):Доверительные интервалы для прогнозируемых вероятностей из прогноза.lrm
library(rms)
model1<-lrm(outcome~var1+var2+var3,data=mydata,x=T,y=T,se.fit=T)
model.rob<-robcov(model1,cluster=respondent.id)
Я в состоянии оценить прогнозируемую вероятность для результата с помощью predict.lrm
:
predicted.prob<-predict(model.rob,newdata=data.frame(var1=1,var2=.33,var3=.5),
type="fitted")
То, что я хочу определить, является доверительным интервалом 95% для этой прогнозируемой вероятности. Я попытался указать se.fit=T
, но это недопустимо в predict.lrm
, когда type=fitted
.
Я провел последние несколько часов, прочесывая Интернет, чтобы сделать это с lrm
безрезультатно (очевидно). Может ли кто-нибудь указать мне на метод определения этого доверительного интервала? В качестве альтернативы, если это невозможно или сложно с моделями lrm
, существует ли еще один способ оценить логит с кластерными стандартными ошибками, для которых более легко получить доверительные интервалы?
Закрыть как более подходящее на другом сайте SE. Без примера данных это только статистический вопрос. Кроме того, Фрэнк, скорее всего, увидит это на CrossValidated.com, чем он здесь, во всяком случае. –
Непонятно, какой сайт более подходит для такого типа вопросов. Речь идет о программировании, но определенно затрагивает stat. –
@FrankHarrell Я рассматривал возможность предлагать 'exp (fit +/- 1.96 * se)/(1+ exp (fit +/- 1.96 * se))' strategy, но, посмотрев на '? Predict.lrm', Причина, по которой вы этого не делали. Я думал, что, возможно, возникла проблема не в учете ковариаций. Как вы можете видеть, я не перешел к примерам. И я ложно представлял, что вы, возможно, не увидите его, как только он сидит здесь. –