得到线性回归后预测值的不确定性
Get uncertainties of predicted values after linear regression
我执行多元线性回归：
dependent <- c(1, 3, 2, 4, 6, 8)
independent_a <- c(1, 2, 3, 6, 5, 4)
independent_b <- c(0, 3, 2, 5, 9, 8)
model <- lm(dependent ~ independent_a + independent_b)
summary(model)
预测数据显示在fitted(model)。我怎样才能得到这些值的不确定性？
我知道我可以根据截距的不确定性和 summary(model) 所示的系数应用误差传播来计算它们。但是，此计算将假设对不确定性的贡献不相关，而多元线性回归将表明相关贡献。
这 returns 拟合值及其置信区间。
predict(model, interval = "confidence")
#> fit lwr upr
#> 1 1.048319 -1.4691124 3.565751
#> 2 3.199580 1.3321255 5.067034
#> 3 2.115546 0.2737039 3.957389
#> 4 3.716387 0.6079219 6.824851
#> 5 7.226891 4.8327685 9.621013
#> 6 6.693277 4.3901686 8.996386
更多信息：?predict.lm
我执行多元线性回归：
dependent <- c(1, 3, 2, 4, 6, 8)
independent_a <- c(1, 2, 3, 6, 5, 4)
independent_b <- c(0, 3, 2, 5, 9, 8)
model <- lm(dependent ~ independent_a + independent_b)
summary(model)
预测数据显示在fitted(model)。我怎样才能得到这些值的不确定性？
我知道我可以根据截距的不确定性和 summary(model) 所示的系数应用误差传播来计算它们。但是，此计算将假设对不确定性的贡献不相关，而多元线性回归将表明相关贡献。
这 returns 拟合值及其置信区间。
predict(model, interval = "confidence")
#> fit lwr upr
#> 1 1.048319 -1.4691124 3.565751
#> 2 3.199580 1.3321255 5.067034
#> 3 2.115546 0.2737039 3.957389
#> 4 3.716387 0.6079219 6.824851
#> 5 7.226891 4.8327685 9.621013
#> 6 6.693277 4.3901686 8.996386
更多信息：?predict.lm