0
私のモデル（負の二項演算）の予測を含む予測間隔を作成しようとしていました。モデルは次のとおりです。間隔の予測プロット
Call:
glm.nb(formula = TOT.N ~ D.PARK + OPEN.L + L.WAT.C + sqrt(L.P.ROAD),
init.theta = 4.979895131, link = log)
Deviance Residuals:
Min 1Q Median 3Q Max
-3.08218 -0.70494 -0.09268 0.55575 1.67860
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 4.032e+00 3.363e-01 11.989 < 2e-16 ***
D.PARK -1.154e-04 1.061e-05 -10.878 < 2e-16 ***
OPEN.L -1.085e-02 3.122e-03 -3.475 0.00051 ***
L.WAT.C 1.597e-01 7.852e-02 2.034 0.04195 *
sqrt(L.P.ROAD) 4.924e-01 3.101e-01 1.588 0.11231
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for Negative Binomial(4.9799) family taken to be 1)
Null deviance: 197.574 on 51 degrees of freedom
Residual deviance: 51.329 on 47 degrees of freedom
AIC: 383.54
Number of Fisher Scoring iterations: 1
私はfirsltで観測対予測プロット（下記）を作成しました。このプロットから、予測されたデータは実際のデータにうまく収まると思われます。
それから私はcondifence間隔で予測プロットを作成しようとしています。このため私は変数OPEN.Lを変化させ、他の変数は一定に保つことに決めました。
varying OPEN.L
minOPEN.L <- min(OPEN.L)
maxOPEN.L <- max(OPEN.L)
grid <- seq(minOPEN.L, maxOPEN.L, 1)
mean.D.PARK <- mean(D.PARK)
new <- data.frame(D.PARK = mean.D.PARK, OPEN.L = grid, L.WAT.C = mean.L.WAT.C, L.P.ROAD = mean.L.P.ROAD)
confidece.kills <- predict(final.model, new, se = T, interval = "confidence")
predict.kills <- predict(final.model, new, se = T, interval = "prediction")
par(mfrow=c(1, 2), pty="m")
matplot(grid, predict.kills$fit ,lty=c(1,2,2),type="l",lwd=3,
xlab="OPEN.L",ylab="TOT.N",
cex.lab=1.5,cex.axis=1.3)
（下）プロットで参照するには何もありません：私が使用しているコードは次のようである
dput（ヘッド（road.data、55））
dput(head(road.data, 55))
structure(list(TOT.N = c(22L, 14L, 65L, 55L, 88L, 104L, 49L,
66L, 26L, 47L, 35L, 55L, 44L, 30L, 33L, 29L, 34L, 64L, 76L, 32L,
34L, 32L, 35L, 22L, 34L, 25L, 18L, 14L, 14L, 7L, 7L, 17L, 10L,
3L, 6L, 5L, 2L, 3L, 2L, 2L, 7L, 3L, 5L, 4L, 7L, 12L, 7L, 14L,
10L, 4L, 11L, 3L), OPEN.L = c(22.684, 24.657, 30.121, 50.277,
43.609, 31.385, 24.81, 56.228, 48.735, 15.633, 9.999, 39.942,
10.382, 2.507, 0.738, 15.725, 43.866, 45.102, 39.46, 19.988,
13.369, 6.848, 2.946, 3.219, 3.218, 34.168, 22.839, 7.258, 8.513,
23.394, 26.945, 71.436, 62.203, 82.391, 97.574, 94.947, 89.294,
68.779, 62.173, 67.834, 67.618, 83.357, 70.684, 30.907, 26.687,
9.571, 26.687, 16.478, 26.365, 39.609, 33.511, 24.438), MONT.S = c(0,
0, 0.258, 1.783, 2.431, 0, 0, 0, 1.108, 0, 0, 0, 0, 0, 0, 0,
0, 0, 5.235, 3.658, 5.049, 0.224, 9.426, 0, 0, 0, 0, 0, 0.763,
7.134, 0, 0, 1.039, 4.326, 0, 0, 0, 0, 0, 0, 0, 1.455, 0, 0,
0, 4.347, 0, 1.376, 4.347, 1.796, 0, 0.259), POLIC = c(4.811,
2.224, 1.946, 0.625, 0.791, 0.054, 0.022, 11.263, 1.238, 0.119,
0.024, 0, 0.038, 0, 0, 0, 0.06, 0.125, 1.7, 0, 0.308, 0.364,
0.013, 0, 0, 0, 0.529, 0.313, 0.063, 0.202, 0, 0, 0, 0, 0.206,
0.259, 0.278, 0.812, 0.03, 0.018, 0.206, 0.375, 0.086, 0.05,
0.06, 0, 0.06, 0, 0, 0.044, 1.861, 0.151), D.PARK = c(250.214,
741.179, 1240.08, 1739.885, 2232.13, 2724.089, 3215.511, 3709.401,
4206.477, 4704.176, 5202.328, 5700.669, 6199.342, 6698.151, 7187.762,
7668.833, 8152.155, 8633.224, 9101.411, 9573.578, 10047.63, 10523.939,
11002.496, 11482.896, 11976.232, 12470.968, 12968.285, 13465.914,
13961.321, 14432.954, 14904.995, 15377.983, 15854.389, 16335.936,
16810.109, 17235.045, 17673.064, 18167.269, 18656.949, 19149.507,
19645.717, 20141.987, 20640.729, 21138.903, 21631.542, 22119.102,
22613.647, 23113.45, 23606.088, 24046.886, 24444.874, 24884.803
), SHRUB = c(0.406, 0.735, 0.474, 0.607, 0.173, 0.325, 0.055,
0.092, 1.744, 0, 0.67, 0.783, 0, 0.178, 0, 0, 0.094, 0.107, 0.702,
0.827, 1.025, 0, 0.01, 0.012, 0.088, 0.02, 0.087, 0.116, 0.062,
0, 0, 0.033, 0.133, 0.047, 0.077, 0.182, 0.067, 0.208, 0.063,
0.122, 0.038, 0.095, 0, 0.02, 0.064, 0.137, 0.064, 0.214, 0.14,
0.622, 0, 0.18), WAT.RES = c(0.043, 0.182, 0.453, 0.026, 0, 0.039,
0.114, 0.224, 0.177, 0, 6.309, 2.26, 0.137, 0, 0, 0.402, 0.077,
0.042, 0, 0.479, 0.36, 0, 0.078, 0, 0, 0, 0.188, 0, 0, 0, 0.213,
2.452, 0.061, 0, 0, 0, 0.284, 0.579, 0.215, 0, 0, 0, 0.127, 0,
0.198, 0.473, 0.198, 0, 0, 0, 0, 0.319), L.WAT.C = c(583, 1419,
2005, 1924, 2167, 2391, 1165, 2428, 2416, 211, 292, 650, 1896,
2194, 1375, 0, 1655, 1702, 2721, 1694, 1192, 589, 476, 345, 1621,
1023, 357, 0, 0, 7, 878, 883, 1921, 1479, 1237, 1898, 3951, 1931,
1365, 591, 868, 1198, 2334, 3525, 3087, 2444, 3087, 3934, 2214,
2122, 1290, 2471), L.P.ROAD = c(1975, 1761, 1250, 666, 653, 1309,
685, 677, 664, 654, 696, 678, 652, 665, 655, 627, 1159, 2201,
2290, 1617, 866, 640, 620, 645, 853, 1370, 631, 603, 609, 605,
1374, 685, 594, 1075, 595, 676, 684, 733, 1739, 891, 730, 652,
668, 645, 602, 571, 602, 953, 765, 1578, 2960, 1407), D.WAT.COUR = c(735,
134.052, 269.029, 48.751, 126.102, 344.444, 95.133, 243.23, 187.084,
236.004, 15.184, 118.865, 332.257, 28.498, 168.818, 560, 104.839,
204.943, 256.812, 566.152, 689.823, 694, 300, 132.934, 253.305,
34.119, 515.233, 825, 1165, 1025, 754.938, 585, 137.112, 80.916,
35.426, 43, 31.01, 290.029, 68.496, 405, 785, 257, 118.579, 237.041,
45.832, 44.744, 120.855, 24.313, 178.837, 21.336, 111.764, 225.514
)), .Names = c("TOT.N", "OPEN.L", "MONT.S", "POLIC", "D.PARK",
"SHRUB", "WAT.RES", "L.WAT.C", "L.P.ROAD", "D.WAT.COUR"), row.names = c(NA,
-52L), class = c("tbl_df", "tbl", "data.frame"))
予測プロットを対応する予測間隔で得るにはどうすればよいですか？
任意の入力 - コメント、建設的な批評、tipps - はappriciatedです。おかげ
、あなたの助けをありがとうございました。私は以前にコンシステンシー間隔を計算しています（私の場合は、あなたのものよりも少し狭くすべきです、私は負の二項モデルに合っています）：「推定2.5％97.5％ （インターセプト）4.0319970271 3.4094551079 4.655064e + 00 D. PARK -0.0001153607 -0.0001365551 -9.456738e-05 OPEN.L -0.0108517031 -0.0170224260 -4.715599e-03 L.WAT.C 0.1597156504 0.0042580137 3.162945e-01 SQRT（LPROAD）0.4923973866 -0.0876563360 1.092080e + 00。どのように私は 'lower'''の' '上の' 'のtheyinstinstedことができますか？ – Danka
init.theta = 4.979895131は、過剰分散定数を表していますか？それは正確に何をしていますか？ – Danka
@ Dankaしたがって、係数の推定値のすべてについて95％の間隔を計算していますが、これらの間隔を使用して応答の間隔を95％にしたいとしますか？私の知る限り、これを行う簡単な方法はありません。どちらの場合も、これらの95％間隔の結果を組み合わせて最終的な95％間隔を得ることはできますが、それは広すぎます。これらのプレディクタ間の関係を知る必要があります。 – Consistency