Generuj próbki danych z regresji Poissona

14

Zastanawiałem się, jak wygenerować dane z równania regresji Poissona w R? Jestem trochę zdezorientowany, jak podejść do problemu.

Więc jeśli założę, że mamy dwa predyktory i które są rozproszone . A przecięcie wynosi 0, a oba współczynniki są równe 1. Zatem moje oszacowanie jest po prostu: $X_1$ $X_2$ $N(0,1)$

\log (Y) = 0 + 1 \cdot X_{1} + 1 \cdot X_{2}

$\log(Y) = 0+ 1\cdot X_1 + 1\cdot X_2$

Ale kiedy już obliczę log (Y) - jak na tej podstawie wygenerować liczby Poissona? Jaki jest parametr szybkości dla rozkładu Poissona?

Gdyby ktoś mógł napisać krótki skrypt R, który generuje próbki regresji Poissona, byłoby to niesamowite!

r regression poisson-distribution simulation

— Michael
źródło

25

Model regresji Poissona zakłada rozkład Poissona dla i wykorzystuje funkcję link. Zatem dla jednej zmiennej objaśniającej przyjmuje się, że (tak, że ) i że . Generowanie danych według tego modelu łatwo następuje. Oto przykład, który możesz dostosować do własnego scenariusza. $Y$ $\log$ $x$ $Y \sim P(\mu)$ $E(Y) = V(Y) = \mu$ $\log(\mu) = \beta_0 + \beta_1 x$

>   #sample size
> n <- 10
>   #regression coefficients
> beta0 <- 1
> beta1 <- 0.2
>   #generate covariate values
> x <- runif(n=n, min=0, max=1.5)
>   #compute mu's
> mu <- exp(beta0 + beta1 * x)
>   #generate Y-values
> y <- rpois(n=n, lambda=mu)
>   #data set
> data <- data.frame(y=y, x=x)
> data
   y         x
1  4 1.2575652
2  3 0.9213477
3  3 0.8093336
4  4 0.6234518
5  4 0.8801471
6  8 1.2961688
7  2 0.1676094
8  2 1.1278965
9  1 1.1642033
10 4 0.2830910

— ocram
źródło

3

Jeśli chcesz wygenerować zestaw danych idealnie pasujący do modelu, możesz zrobić coś takiego w R:

# y <- exp(B0 + B1 * x1 + B2 * x2)

set.seed(1234)

B0 <-  1.2                # intercept
B1 <-  1.5                # slope for x1
B2 <- -0.5                # slope for x2

y <- rpois(100, 6.5)

x2 <- seq(-0.5, 0.5,,length(y))
x1 <- (log(y) - B0 - B2 * x2) / B1

my.model <- glm(y ~ x1 + x2, family = poisson(link = log))
summary(my.model)

Które zwraca:

Call:
glm(formula = y ~ x1 + x2, family = poisson(link = log))

Deviance Residuals: 
       Min          1Q      Median          3Q         Max  
-2.581e-08  -1.490e-08   0.000e+00   0.000e+00   4.215e-08  

Coefficients:
            Estimate Std. Error z value Pr(>|z|)    
(Intercept)  1.20000    0.08386  14.309  < 2e-16 ***
x1           1.50000    0.16839   8.908  < 2e-16 ***
x2          -0.50000    0.14957  -3.343 0.000829 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for poisson family taken to be 1)

    Null deviance: 8.8619e+01  on 99  degrees of freedom
Residual deviance: 1.1102e-14  on 97  degrees of freedom
AIC: 362.47

Number of Fisher Scoring iterations: 3

— Mark Miller
źródło