'predict‘函数的逆

Question

使用predict()可以得到因变量(y)对于给定模型的自变量(x)的某一值的预测值。有没有什么函数可以预测给定y的x

例如：

kalythos <- data.frame(x = c(20,35,45,55,70), 
    n = rep(50,5), y = c(6,17,26,37,44))
kalythos$Ymat <- cbind(kalythos$y, kalythos$n - kalythos$y)
model <- glm(Ymat ~ x, family = binomial, data = kalythos)

如果我们想知道x=50模型的预测值

predict(model, data.frame(x=50), type = "response")

例如，我想知道哪个x生产y=30。

Answer 1

看到之前的答案被删除了。在您的示例中，给定n=50，并且模型为二项式，则可以使用以下命令计算给定y的x：

f <- function (y,m) {
  (logit(y/50) - coef(m)[["(Intercept)"]]) / coef(m)[["x"]]
}
> f(30,model)
[1] 48.59833

但在这样做的时候，你最好咨询统计学家，告诉你如何计算反向预测区间。请将VitoshKa的考虑因素考虑在内。

Answer 2

偶然发现了这个老帖子，但我想我会添加一些其他信息。对于logit/probit模型，包MASS具有函数dose.p。SE是通过增量方法实现的。

> dose.p(model,p=.6)
             Dose       SE
p = 0.6: 48.59833 1.944772

拟合反模型(x~y)在这里没有意义，因为正如@VitoshKa所说，我们假设x是固定的，y( 0/1响应)是随机的。此外，如果数据没有分组，你只有两个解释变量的值:0和1。但是，即使我们假设x是固定的，计算给定p的剂量x的置信区间仍然是有意义的，这与@VitoshKa所说的相反。就像我们可以根据ED50重新参数化模型一样，我们可以对ED60或任何其他分位数执行此操作。参数是固定的，但我们仍然计算它们的CI。

Answer 3

您只需重新排列回归方程，但正如上面的注释所述，这可能会被证明是棘手的，并且不一定会有有意义的解释。

但是，对于您展示的案例，您可以使用：

(1/coef(model)[2])*(model$family$linkfun(30/50)-coef(model)[1])

注意，我首先除以x系数，以确保名称属性是正确的。