Я пытаюсь определить доверительные интервалы для прогнозируемых вероятностей из биномиальной логистической регрессии в R. Модель оценивается с использованием lrm (из пакета rms), чтобы учесть стандартные ошибки для кластеризации респондентов опроса (каждый респондент появляется в данных до 3 раз. ):
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 могу оценить прогнозируемую вероятность результата, используя predict.lrm:
predicted.prob<-predict(model.rob,newdata=data.frame(var1=1,var2=.33,var3=.5),
type="fitted")
Я хочу определить 95% доверительный интервал для этой предсказанной вероятности. Я пробовал указать se.fit=T, но это недопустимо в predict.lrm, когда type=fitted.
Я потратил последние несколько часов на поиск в Интернете, как это сделать с lrm, но безрезультатно (очевидно). Может ли кто-нибудь указать мне метод определения этого доверительного интервала? В качестве альтернативы, если это невозможно или сложно с lrm моделями, есть ли другой способ оценить логит с кластеризованными стандартными ошибками, для которых было бы легче получить доверительные интервалы?
exp(fit +/- 1.96*se)/(1+ exp(fit +/- 1.96*se) ), но, посмотрев на?predict.lrm, понял, что есть причина, по которой вы этого не предоставили. Я подумал, что, возможно, возникла проблема с игнорированием ковариаций. Как видите, я не разбирался в примерах. И я ошибочно полагал, что вы могли бы не увидеть его сразу же, если бы он сидел здесь. - person IRTFM schedule 01.01.2015