Come ottenere errori standard dalla regressione dei dati di conteggio a zero zero? [chiuso]

Il seguente codice

PredictNew <- predict (glm.fit, newdata = Predict, X1 =X1, Y1= Y1, 
                       type = "response", se.fit = TRUE)

produce un 3 colonne data.frame--PredictNew, i valori adattati, gli errori standard e un termine di scala residuo.

Perfetto ... Comunque usando un modello dotato di zeroinfl {pscl}:

PredictNew <- predict (zeroinfl.fit, newdata = Predict, X1 =X1, Y1= Y1, 
                       type = "response", se.fit = TRUE)

o

PredictNew <- predict (zeroinfl.fit, newdata = Predict, X1 =X1, Y1= Y1, 
                       type = "response", se.fit = TRUE, MC = 2500, conf = .95))

produce un vettore a colonna singola di soli valori adattati. Sarei comunque molto interessato ad errori standard. Tutto quello che ho letto dice che dovrebbero essere prodotti ..

(Il codice è stato in qualche modo semplificato, in realtà ho quattro variabili e un offset - nessun vantaggio con gli predict.glme che se.fit = TRUEproducono SE).

Per quanto ne so , il predictmetodo per ottenere i risultati zeroinflnon include errori standard. Se il tuo obiettivo è costruire intervalli di confidenza, un'alternativa interessante è usare il bootstrap. Dico attraente perché il bootstrap ha il potenziale per essere più robusto (con una perdita di efficienza se tutte le ipotesi per gli ES sono soddisfatte).

Ecco un po 'di codice approssimativo per fare quello che vuoi. Non funzionerà esattamente, ma spero che tu possa apportare le correzioni necessarie.

## load boot package
require(boot)
## output coefficients from your original model
## these can be used as starting values for your bootstrap model
## to help speed up convergence and the bootstrap
dput(round(coef(zeroinfl.fit, "count"), 3))
dput(round(coef(zeroinfl.fit, "zero"), 3))

## function to pass to the boot function to fit your model
## needs to take data, an index (as the second argument!) and your new data
f <- function(data, i, newdata) {
  require(pscl)
  m <- zeroinfl(count ~ child + camper | persons, data = data[i, ], start = list(count = c(1.598, -1.0428, 0.834), zero = c(1.297, -0.564)))
  mparams <- as.vector(t(do.call(rbind, coef(summary(m)))[, 1:2]))
  yhat <- predict(m, newdata, type = "response")
  return(c(mparams, yhat))    
}

## set the seed and do the bootstrap, make sure to set your number of cpus
## note this requires a fairly recent version of R
set.seed(10)
res <- boot(dat, f, R = 1200, newdata = Predict, parallel = "snow", ncpus = 4)

## get the bootstrapped percentile CIs
## the 10 here is because in my initial example, there were 10 parameters before predicted values
yhat <- t(sapply(10 + (1:nrow(Predict)), function(i) {
  out <- boot.ci(res, index = i, type = c("perc"))
  with(out, c(Est = t0, pLL = percent[4], pUL = percent[5]))
}))

## merge CIs with predicted values
Predict<- cbind(Predict, yhat)

Ho disegnato questo codice da due pagine che ho scritto, uno dei parametri di bootstrap da una regressione di poisson gonfiata a zeroinfl zero con poisson a inflazione zero e uno che dimostra come ottenere intervalli di confidenza bootstrap per valori previsti da un modello binomiale negativo a zero tronchi Binomio negativo a tronchi zero . Combinato, si spera che ti fornisca esempi sufficienti per farlo funzionare con i valori previsti da un poisson gonfiato a zero. Potresti anche avere alcune idee grafiche :)