Generar muestras de datos a partir de la regresión de Poisson.

13

Me preguntaba cómo generaría datos a partir de una ecuación de regresión de Poisson en R? Estoy un poco confundido sobre cómo abordar el problema.

Entonces, si supongo que tenemos dos predictores y que se distribuyen . Y la intersección es 0 y ambos coeficientes son iguales a 1. Entonces mi estimación es simplemente: $X_1$ $X_2$ $N(0,1)$

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

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

Pero una vez que he calculado el registro (Y), ¿cómo puedo generar recuentos de Poisson basados en eso? ¿Cuál es el parámetro de velocidad para la distribución de Poisson?

Si alguien pudiera escribir un breve script R que genere muestras de regresión de Poisson, ¡sería increíble!

r regression poisson-distribution simulation

— Miguel
fuente

24

$Y$ $\log$ $x$ $Y \sim P(\mu)$ $E(Y) = V(Y) = \mu$ $\log(\mu) = \beta_0 + \beta_1 x$

>   #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
fuente

3

Si desea generar un conjunto de datos que se ajuste perfectamente al modelo, puede hacer algo como esto en 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)

Que devuelve:

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
fuente