Gönderen Details
yardım bölümüne
Hesaplama (şu anda belgelenmemiş) predicff jenerik fonksiyonu ve yöntemleri ile yapılır. Çoğu yöntem için güven sınırları, tahmin yöntemi kullanılarak hesaplanır - istisnalar, t-temelli bir yaklaşım kullanan lös'tür ve normal güven aralığının bağlantı ölçeğinde oluşturulduğu ve daha sonra yanıt ölçeğine geri dönüştürüldüğü glm'dir.
Yani predtdf genellikle çağıracak stats::predict
ve bu predict
da yumuşatma yöntemi için doğru yöntemi çağıracaktır . Stat_smooth'u içeren diğer işlevler de dikkate alınmalıdır.
Çoğu model uydurma işlevinin model predict
ile ilişkili bir yöntemi olacaktır class
. Bunlar genellikle standart hataların eklenip eklenmeyeceğini gösteren bir newdata
nesne ve bir argüman alır se.fit
. ?predict
Daha fazla ayrıntı için (bkz. ).
se
pürüzsüz etrafında güven aralığı görüntülemek? (Varsayılan olarak DOĞRU, kontrol edilecek seviyeye bakın
Bu, uygun standart hataları döndürmek için doğrudan tahmin yöntemine geçirilir (yönteme bağlı)
fullrange
uygunluk çizimin tüm aralığını veya yalnızca verileri kapsarsa
Bu , tahminlerin değerlendirileceği newdata
değerleri tanımlarx
level
kullanılacak güven aralığı aralığı (varsayılan olarak 0.95)
Güven aralığı (örneğin, uygun kritik değeri tanımlamak, böylece doğrudan geçirilen yöntem tahmin predict.lm
kullanım qt((1 - level)/2, df)
standart hataları ile çarpılmalıdır için
n
daha düzgün değerlendirilecek nokta sayısı
Nesnedeki değerleri fullrange
tanımlamak için ile birlikte kullanılır .x
newdata
Bir çağrı içinde stat_smooth
Tanımlayabileceğiniz se
kısmen eşleştirilir budur se.fit
(veya se
) ve tanımlayacaktır interval
gerekirse argüman. level
güven aralığının seviyesini verecektir (varsayılan 0.95).
newdata
Nesne oluşan bir ayarına bağlı olarak, işlem içinde tanımlanır fullrange
uzunlukta bir dizisi ile n
arsa veya veri geniş bir aralık içinde.
Senin durumunda, kullanarak rlm
, bu kullanacaktır predict.rlm
olarak tanımlanan,
predict.rlm <- function (object, newdata = NULL, scale = NULL, ...)
{
## problems with using predict.lm are the scale and
## the QR decomp which has been done on down-weighted values.
object$qr <- qr(sqrt(object$weights) * object$x)
predict.lm(object, newdata = newdata, scale = object$s, ...)
}
Bu yüzden dahili olarak ayrışma ve argümanın predict.lm
uygun bir ölçeklendirmesi ile çağırıyor .qr
scale