지금 충분한 정보가 없습니다. 적합 곡선의 신뢰 구간을 계산하려면 3 가지 계수에 대한 완전한 분산 - 공분산 행렬이 필요하지만 지금은 해당 행렬의 대각선 항목 만 있습니다.
직교 다항식을 적용한 경우 분산 공분산 행렬은 대각선이며 동일한 대각선 요소입니다. 이것은 분명히 귀하의 경우가 아닙니다 :
- 표시되는 표준 오류는 서로 다릅니다.
- 명시 적으로 사용하고 원시 다항식 표기 :
x + I(x^2)
하지만 방법 나는 원시 데이터
그것은 "원시 데이터는"모델을 피팅에 사용 아니에요을 필요로 발견했다. 신뢰 밴드를 만들고자하는 것은 "새로운 데이터"입니다. 그러나 모델의 피팅에 사용되는 데이터의 수, 예를 들어 n
을 알고 있어야 나머지 자유도를 도출 할 수 있습니다. 계수가 3 개인 경우,이 자유도는 n - 3
입니다.
당신은 일단 :
- 전체 분산 - 공분산 행렬은,의는
V
을 가정 해 봅시다;
n
, 모델 피팅에 사용되는 데이터의 수.
- 신뢰 밴드를 생산하는주는 점
x
의 벡터,
에서 먼저 예측 표준 오류를 얻을 수 있습니다 :
X <- cbind(1, x, x^2) ## prediction matrix
e <- sqrt(rowSums(X * (X %*% V))) ## prediction standard error
당신은 당신의 장착 다항식 식, 평균 예측하는 방법을 알고 , 권리? , 그것이 완전한 이론이 How does predict.lm() compute confidence interval and prediction interval?
귀하의 제공 공분산 행렬을 기반으로 업데이트
입니다
## residual degree of freedom: n - 3
mu + e * qt(0.025, n - 3) ## lower bound
mu - e * qt(0.025, n - 3) ## upper bound
를 사용, 평균은 95 % -ci 지금, mu
입니다 가정 이제 몇 가지 결과와 수치를 산출 할 수 있습니다.
V <- structure(c(0.000894073, -0.003622614, 0.002874075, -0.003622614,
0.068245163, -0.065114661, 0.002874075, -0.065114661, 0.065294027
), .Dim = c(3L, 3L), .Dimnames = list(c("a0", "a1", "a2"), c("a0",
"a1", "a2")))
우리는 x = seq(-5, 5, by = 0.2)
에서 CI를 생산한다고 가정 :
beta <- c(0.2135187, 1.1343072, -1.0000000)
x <- seq(-5, 5, by = 0.2)
X <- cbind(1, x, x^2)
mu <- X %*% beta
e <- sqrt(rowSums(X * (X %*% V)))
n <- 279
lo <- mu + e * qt(0.025, n - 3)
up <- mu - e * qt(0.025, n - 3)
matplot(x, cbind(mu, lo, up), type = "l", col = 1, lty = c(1,2,2))
![enter image description here](https://i.stack.imgur.com/JyRkA.jpg)
내가 더 감사하는 방법을 모른다, 당신의 도움이 매우 감사했다 – trantsyx