De la Details
sección de la ayuda
El cálculo se realiza mediante la función genérica predictdf (actualmente no documentada) y sus métodos. Para la mayoría de los métodos, los límites de confianza se calculan utilizando el método de predicción: las excepciones son loess, que utiliza una aproximación basada en t, y para glm, donde el intervalo de confianza normal se construye en la escala del enlace y luego se transforma a la escala de respuesta.
Entonces predictdf generalmente llamará stats::predict
, lo que a su vez llamará al predict
método correcto para el método de suavizado. Otras funciones que involucran stat_smooth también son útiles para considerar.
La mayoría de las funciones de ajuste del modelo tendrán un predict
método asociado con el class
del modelo. Por lo general, tomarán un newdata
objeto y un argumento se.fit
que indicará si se ajustarán los errores estándar. (ver ?predict
) para más detalles.
se
mostrar intervalo de confianza alrededor suave? (VERDADERO por defecto, ver nivel para controlar
Esto se pasa directamente al método de predicción para devolver los errores estándar apropiados (según el método)
fullrange
si el ajuste abarca el rango completo de la trama, o solo los datos
Esto define los newdata
valores para los x
cuales se evaluarán las predicciones
level
nivel de intervalo de confianza a utilizar (0,95 por defecto)
Se pasa directamente al método de predicción para que el intervalo de confianza pueda definir el valor crítico apropiado (p. Ej., Los predict.lm
usos qt((1 - level)/2, df)
para los errores estándar se multiplicarán por
n
número de puntos para evaluar más suave en
Se utiliza junto con fullrange
para definir los x
valores en elnewdata
objeto.
Dentro de una llamada a stat_smooth
usted puede definir se
qué es lo que coincide parcialmente con se.fit
(o se
), y definirá el interval
argumento si es necesario.level
dará el nivel del intervalo de confianza (por defecto 0,95).
El newdata
objeto se define dentro del procesamiento, dependiendo de su configuración de fullrange
una secuencia de longitudn
dentro del rango completo de la trama o los datos.
En su caso, usando rlm
, esto usará predict.rlm
, que se define como
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, ...)
}
Por lo tanto, está llamando internamente predict.lm
con una escala adecuada de la qr
descomposición y el scale
argumento.