我已经尝试了这两种方法,但是在使用它们时遇到了一些困难... 在我谈论这两种方法的问题之前,我会更好地解释一下我的问题。
我有一个名为“acceptances”的数据集,在其中我记录了医院每天的接受量以及之前描述的独立变量。该医院有三个地方可以进行就诊...因此,在我的数据集中,每天有3行,每个地方一行。数据集如下:
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
我有数据集直到昨天,所以最后三行是2013年7月29日昨天的接受情况。现在我进行泊松回归:
poisson_reg=glm(NumeberAccept ~ 1 + weekday + month + place + NoConvention + Rain,
family = poisson(link = log), data = acceptances)
现在,我要预测从新数据集acceptances_2中计算出下两个月的接受量的预测区间!因此,第一行将是今天接受量,最后一行将是9月29日的接受量。
我不知道这个问题是否已经有了答案,但我找不到它。我正在尝试在R中进行泊松回归,并且我想获得预测区间。我看到
lm
的预测函数写作“interval =“prediction””
,但在predict.glm
中不起作用!是否有人知道如何获得这些预测区间?如果您有一些示例,可以输入代码吗?所以,我必须计算医院每天接受的数量,我有以下代码:
poisson_reg=glm(NumeberAccept ~ 1 + weekday + month + place + NoConvention + Rain,
family = poisson(link = log), data = dataset)
summary(poisson_reg)
现在,如果我在R中键入
predict(poisson_reg, newdata, type="response")
,我可以得到每天接受人数的预测结果,但我还需要预测间隔!我发现,在"lm"
类对象的预测调用中,您可以写入:predict(poisson_reg, newdata, interval="prediction")
,它会给出95%的预测间隔。有没有办法在"glm"
类对象中获得相同的结果?