Z Details
sekcji pomocy
Obliczenia są wykonywane przez (obecnie nieudokumentowaną) funkcję ogólną predykcji pdf i jej metody. W przypadku większości metod granice ufności oblicza się przy użyciu metody predykcji - wyjątki są lessowe, które wykorzystują aproksymację opartą na t, a dla glm, gdzie normalny przedział ufności jest konstruowany na skali łącza, a następnie przekształcany z powrotem na skalę odpowiedzi.
Tak więc predykcja na ogół wywoła funkcjęstats::predict
, która z kolei wywoła poprawną predict
metodę dla metody wygładzania. Przydatne są również inne funkcje dotyczące stat_smooth .
Większość funkcji dopasowania modelu będzie miała predict
metodę powiązaną z class
modelem. Zwykle przyjmą newdata
obiekt i argument, se.fit
który wskaże, czy zostaną dopasowane standardowe błędy. (patrz ?predict
) w celu uzyskania dalszych informacji.
se
wyświetlać przedział ufności wokół gładki? (PRAWDA domyślnie, zobacz poziom do kontroli
Jest to przekazywane bezpośrednio do metody przewidywanej, aby zwrócić odpowiednie błędy standardowe (zależne od metody)
fullrange
jeśli dopasowanie obejmuje cały zakres wykresu, czy tylko dane
Określa newdata
wartości, dla x
których będą oceniane prognozy
level
poziom przedziału ufności do użycia (domyślnie 0,95)
Przekazany bezpośrednio do metody prognozowania, aby przedział ufności mógł zdefiniować odpowiednią wartość krytyczną (np. predict.lm
Zastosowania qt((1 - level)/2, df)
do pomnożenia standardowych błędów przez
n
liczba punktów do oceny płynniej przy
Używany w połączeniu z fullrange
do definiowania x
wartości w newdata
obiekcie.
W ramach połączenia stat_smooth
możesz zdefiniować, se
co jest częściowo dopasowane do se.fit
(lub se
) i zdefiniować interval
argument, jeśli to konieczne. level
poda poziom przedziału ufności (domyślnie 0,95).
newdata
Obiekt jest zdefiniowany w przetwórstwie, w zależności od ustawienia fullrange
dla sekwencji o długości n
w pełnym zakresie działki lub danych.
W twoim przypadku użycie rlm
spowoduje użycie tego predict.rlm
, co jest zdefiniowane jako
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, ...)
}
Więc wywołuje wewnętrznie predict.lm
z odpowiednim skalowaniem qr
rozkładu i scale
argumentów.