如何在嵌套的小标题中存储的模型上获取链接函数的逆函数使用$ family $ linkinv？ 我想以百分比形式测试我的数据，因此首先我将其减去1，然后除以4，以进行转换： fruit_liking_df %<>% mutate_at(vars(starts_with("i_love_")), ~ subtract(., 1) %>% divide_by(., 4)) > as_tibble(fruit_liking_df) ##

分类：编程问答

如何解决如何在嵌套的小标题中存储的模型上获取链接函数的逆函数使用$ family $ linkinv？ 我想以百分比形式测试我的数据，因此首先我将其减去1，然后除以4，以进行转换： fruit_liking_df %<>% mutate_at(vars(starts_with("i_love_")), ~ subtract(., 1) %>% divide_by(., 4)) > as_tibble(fruit_liking_df) ##

我正在计算由glm生成的模型的输出。模型输出存储在嵌套的小节中。我想通过从type =“ link”到反向链接（使用$family$linkinv）的转换来计算置信区间。但是，我无法使其与dplyr::mutate一起嵌套嵌套使用，因为从$family$linkinv的模型对象中拉出model$family$linkinv(x)的方式似乎不符合预期嵌套格式。

背景

当前问题基于我发布的previous question（并选择了答案），有关使用线性模型通过不同预测变量测试喜欢水果的水平。我进行了一项研究，以确定哪种水果更受欢迎：芒果，香蕉或苹果。为此，我继续进行随机抽样100人。我要求他们以1-5的等级来评价每种水果的喜好程度。

尽管上一个问题与lm有关，但在这里我尝试使用准二项式glm。问题是我想获得置信区间，但是我的方法（glm %>% predict）在“链接空间”中输出SE，因此我必须经过转换过程（detailed in this SO answer）才能获得所需的结果。

数据

library(tidyverse)
library(magrittr)

set.seed(123)

fruit_liking_df <-
  data.frame(
    id = 1:100,i_love_apple = sample(c(1:5),100,replace = TRUE),i_love_banana = sample(c(1:5),i_love_mango = sample(c(1:5),age = sample(c(20:70),is_male = sample(c(0,1),prob = c(0.2,0.8),education_level = sample(c(1:4),is_colorblinded = sample(c(0,replace = TRUE)
  )

> as_tibble(fruit_liking_df)

## # A tibble: 100 x 8
##       id i_love_apple i_love_banana i_love_mango   age is_male education_level is_colorblinded
##    <int>        <int>         <int>        <int> <int>   <dbl>           <int>           <dbl>
##  1     1            3             5            2    50       1               2               0
##  2     2            3             3            1    49       1               1               0
##  3     3            2             1            5    70       1               1               1
##  4     4            2             2            5    41       1               3               1
##  5     5            3             1            1    49       1               4               0
##  6     6            5             2            1    29       0               1               0
##  7     7            4             5            5    35       1               3               0
##  8     8            1             3            5    24       0               3               0
##  9     9            2             4            2    55       1               2               0
## 10    10            3             4            2    69       1               4               0
## # ... with 90 more rows

我想以百分比形式测试我的数据，因此首先我将其减去1，然后除以4，以进行转换： 
fruit_liking_df %<>%
  mutate_at(vars(starts_with("i_love_")),~ subtract(.,1) %>% divide_by(.,4))

> as_tibble(fruit_liking_df)

## # A tibble: 100 x 8
##       id i_love_apple i_love_banana i_love_mango   age is_male education_level is_colorblinded
##    <int>        <dbl>         <dbl>        <dbl> <int>   <dbl>           <int>           <dbl>
##  1     1         0.5           1            0.25    50       1               2               0
##  2     2         0.5           0.5          0       49       1               1               0
##  3     3         0.25          0            1       70       1               1               1
##  4     4         0.25          0.25         1       41       1               3               1
##  5     5         0.5           0            0       49       1               4               0
##  6     6         1             0.25         0       29       0               1               0
##  7     7         0.75          1            1       35       1               3               0
##  8     8         0             0.5          1       24       0               3               0
##  9     9         0.25          0.75         0.25    55       1               2               0
## 10    10         0.5           0.75         0.25    69       1               4               0
## # ... with 90 more rows


现在，我使用管道为每个水果运行glm模型，在链接空间中获取SE，并将SE转换为CI 

## will be needed later
my_new_data_for_pred <- expand_grid(
  age = 45,is_male = .5,education_level = 2.5,is_colorblinded = 0.5
)

## will be needed later
critval <- 1.96

model_fits_grouped <-
  fruit_liking_df %>%
  pivot_longer(starts_with("i_love"),values_to = "fruit") %>%
  group_by(name) %>%
  tidyr::nest() %>%
  mutate(model_fit = map(
    data,~ glm(
      data = .x,fruit ~ I(age - 45) +
        I((age - 45) ^ 2) +
        I(is_male - .5) +
        I(education_level - 2) +
        is_colorblinded,family = quasibinomial
    )
  )) %>%
  mutate(predicted_values = map(
    model_fit,~ bind_cols(my_new_data_for_pred,as.data.frame(
                  predict(
                    newdata = my_new_data_for_pred,.x,type = "link",interval = "confidence",level = 0.95,se.fit = T
                  )
                )) %>%
      rowwise() %>%
      mutate(
        estimate =  fit,lower_ci_link =  fit - critval * se.fit,upper_ci_link = fit + critval * se.fit
      )
  ))

> model_fits_grouped

## # A tibble: 3 x 4
## # Groups:   name [3]
##   name          data               model_fit predicted_values 
##   <chr>         <list>             <list>    <list>           
## 1 i_love_apple  <tibble [100 x 6]> <glm>     <tibble [1 x 10]>
## 2 i_love_banana <tibble [100 x 6]> <glm>     <tibble [1 x 10]>
## 3 i_love_mango  <tibble [100 x 6]> <glm>     <tibble [1 x 10]>

取消嵌套predicted_values会得到：

> model_fits_grouped %>% unnest(predicted_values)

## # A tibble: 3 x 13
## # Groups:   name [3]
##   name          data              model_fit   age is_male education_level is_colorblinded     fit se.fit residual.scale estimate lower_ci_link upper_ci_link
##   <chr>         <list>            <list>    <dbl>   <dbl>           <dbl>           <dbl>   <dbl>  <dbl>          <dbl>    <dbl>         <dbl>         <dbl>
## 1 i_love_apple  <tibble [100 x 6~ <glm>        45     0.5             2.5             0.5  0.0843  0.261          0.709   0.0843        -0.427         0.595
## 2 i_love_banana <tibble [100 x 6~ <glm>        45     0.5             2.5             0.5 -0.0718  0.286          0.781  -0.0718        -0.633         0.489
## 3 i_love_mango  <tibble [100 x 6~ <glm>        45     0.5             2.5             0.5 -0.140   0.279          0.762  -0.140         -0.687         0.407

这是问题所在：现在，我想在{em> predicted_values内的{em> {1>}和lower_ci_link的反向链接转换中再增加两列，但这失败了 

upper_ci_link

我得到：

错误：model_fits_grouped <- fruit_liking_df %>% pivot_longer(starts_with("i_love"),upper_ci_link = fit + critval * se.fit ) %>% ######################### this addition fails ########################### mutate( lower_ci_inverse_link = model_fit$family$linkinv(lower_ci_link),upper_ci_inverse_link = model_fit$family$linkinv(upper_ci_link) ) ######################################################################### )) 输入mutate()出现问题。 x问题 使用predicted_values输入mutate()。 x尝试申请 非功能我输入lower_ci_inverse_link是 lower_ci_inverse_link。我的错误发生在行中

  1. i输入model_fit$family$linkinv(lower_ci_link)是predicted_values。我的错误发生在第1行。

我认为问题是我正在尝试对map(...)中的新列进行突变，但是使用predicted_values是指model_fit$family$linkinv(lower_ci_link)，它在嵌套小标题中处于较高级别。

底线问题

如何使用model_fit和predicted_values来对 model_fit$family$linkinv(lower_ci_link)中的内的反向链接列进行突变以最终获得（一直滚动到最右边的两个列）：

model_fit$family$linkinv(upper_ci_link)

附录


演示如何获取没有管道或数据帧的信息

以下方法依赖于为过程分配多个步骤的变量。为了演示起见，它显示了如何运行模型并仅获取一种水果的> model_fits_grouped %>% unnest(predicted_values) ## # A tibble: 3 x 15 ## # Groups: name [3] ## name data model_fit age is_male education_level is_colorblinded fit se.fit residual.scale estimate lower_ci_link upper_ci_link lower_ci_inverse_link_*DEMO* upper_ci_inverse_link_*DEMO* ## <chr> <list> <list> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> ## 1 i_love_apple <tibble [100 x 6]> <glm> 45 0.5 2.5 0.5 0.521 0.0632 0.349 0.521 0.397 0.645 0.111 0.111 ## 2 i_love_banana <tibble [100 x 6]> <glm> 45 0.5 2.5 0.5 0.482 0.0701 0.387 0.482 0.345 0.620 0.222 0.222 ## 3 i_love_mango <tibble [100 x 6]> <glm> 45 0.5 2.5 0.5 0.465 0.0683 0.377 0.465 0.331 0.599 0.333 0.333 。

数据

像以前一样，它是经过$family$linkinv的算术转换为小数之后，因此：

fruit_liking_df

型号

我将仅关注> as_tibble(fruit_liking_df) ## # A tibble: 100 x 8 ## id i_love_apple i_love_banana i_love_mango age is_male education_level is_colorblinded ## <int> <dbl> <dbl> <dbl> <int> <dbl> <int> <dbl> ## 1 1 0.5 1 0.25 50 1 2 0 ## 2 2 0.5 0.5 0 49 1 1 0 ## 3 3 0.25 0 1 70 1 1 1 ## 4 4 0.25 0.25 1 41 1 3 1 ## 5 5 0.5 0 0 49 1 4 0 ## 6 6 1 0.25 0 29 0 1 0 ## 7 7 0.75 1 1 35 1 3 0 ## 8 8 0 0.5 1 24 0 3 0 ## 9 9 0.25 0.75 0.25 55 1 2 0 ## 10 10 0.5 0.75 0.25 69 1 4 0 ## # ... with 90 more rows 列数据，并对其运行i_love_apple。

glm

预测

现在，我使用my_model <- glm( i_love_apple ~ I(age - 45) + I((age - 45) ^ 2) + I(is_male - 0.5) + I(education_level - 2) + I(is_colorblinded - 0.5),family = quasibinomial,data = fruit_liking_df ) 的预测数据在predict()上运行my_model：

my_new_data_for_pred

现在，通过将SE乘以prediction_link_type <- predict(object = my_model,newdata = my_new_data_for_pred,## <------------ type = "link" is crucial to note interval = "confidence",se.fit = TRUE) > prediction_link_type ## $fit ## 1 ## 0.08427577 ## $se.fit ## [1] 0.2606326 ## $residual.scale ## [1] 0.7090294 （已分配给prediction_link_type），将我从critval获得的SE度量转换为置信区间（CI）。我分配了两个单独的向量：一个具有上限CI，另一个具有下限CI：

1.96

快到了！我得到了CI值，但它们位于“链接”空间中（因为lower_ci_link <- prediction_link_type$fit - (critval * prediction_link_type$se.fit) upper_ci_link <- prediction_link_type$fit + (critval * prediction_link_type$se.fit) 使用了predict()）。要将CI值从“链接”转换回去，我使用了反向链接功能：

type = "link"

摘要

尽管此“向量”方法可以完成工作，但它不是我要的不是。相反，我想通过此问题开头引入的管道来合并“链接-> SE-> CI->反向链接”的转换。

解决方法

要引用在map中传递的数据，您需要使用.x。尝试以下答案。

library(tidyverse)

result <- fruit_liking_df %>%
  pivot_longer(starts_with("i_love"),values_to = "fruit") %>%
  group_by(name) %>%
  tidyr::nest() %>%
  mutate(model_fit = map(
    data,~ glm(
      data = .x,fruit ~ I(age - 45) +
        I((age - 45) ^ 2) +
        I(is_male - .5) +
        I(education_level - 2) +
        is_colorblinded,family = quasibinomial
    )
  )) %>%
  mutate(predicted_values = map(
    model_fit,~ bind_cols(my_new_data_for_pred,as.data.frame(
                  predict(
                    newdata = my_new_data_for_pred,.x,type = "link",interval = "confidence",level = 0.95,se.fit = T
                  )
                )) %>%
      rowwise() %>%
      mutate(
        estimate =  fit,lower_ci_link =  fit - critval * se.fit,upper_ci_link = fit + critval * se.fit,lower_ci_inverse_link = .x$family$linkinv(lower_ci_link),upper_ci_inverse_link = .x$family$linkinv(upper_ci_link)
    )))

result看起来像：

result
# name          data               model_fit predicted_values 
#  <chr>         <list>             <list>    <list>           
#1 i_love_apple  <tibble [100 × 6]> <glm>     <tibble [1 × 12]>
#2 i_love_banana <tibble [100 × 6]> <glm>     <tibble [1 × 12]>
#3 i_love_mango  <tibble [100 × 6]> <glm>     <tibble [1 × 12]>

要获取所有值作为单独的列，可以使用unnest_wider：

result %>% unnest_wider(predicted_values)

#  name  data  model_fit   age is_male education_level is_colorblinded     fit se.fit
#  <chr> <lis> <list>    <dbl>   <dbl>           <dbl>           <dbl>   <dbl>  <dbl>
#1 i_lo… <tib… <glm>        45     0.5             2.5             0.5  0.0843  0.261
#2 i_lo… <tib… <glm>        45     0.5             2.5             0.5 -0.0718  0.286
#3 i_lo… <tib… <glm>        45     0.5             2.5             0.5 -0.140   0.279
# … with 6 more variables: residual.scale <dbl>,estimate <dbl>,lower_ci_link <dbl>,#   upper_ci_link <dbl>,lower_ci_inverse_link <dbl>,upper_ci_inverse_link <dbl>

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。

相关推荐

导入项目后报错问题
依赖报错 idea导入项目后依赖报错，解决方案：https://blog.csdn.net/weixin_42420249/article/details/81191861 依赖版本报错：更换其他版本 无法下载依赖可参考：https://blog.csdn.net/weixin_42628809/a
idea不能识别yaml文件
使用mybatis plus常见错误
错误1：代码生成器依赖和mybatis依赖冲突 启动项目时报错如下 2021-12-03 13:33:33.927 ERROR 7228 [ main] o.s.b.d.LoggingFailureAnalysisReporter : *************************** APPL
gradle常见问题与错误
错误1：gradle项目控制台输出为乱码 # 解决方案：https://blog.csdn.net/weixin_43501566/article/details/112482302 # 在gradle-wrapper.properties 添加以下内容 org.gradle.jvmargs=-Df
Mybatis Plus传入参数0不起作用
错误还原：在查询的过程中，传入的workType为0时，该条件不起作用 &lt;select id=&quot;xxx&quot;&gt; SELECT di.id, di.name, di.work_type, di.updated... &lt;where&gt; &lt;if test=&qu
linux中make编译源码包失败
报错如下，gcc版本太低 ^ server.c:5346:31: 错误：‘struct redisServer’没有名为‘server_cpulist’的成员 redisSetCpuAffinity(server.server_cpulist); ^ server.c: 在函数‘hasActiveC
微服务启动错误：Command line is too long. Shorten command line for
解决方案1 1、改项目中.idea/workspace.xml配置文件，增加dynamic.classpath参数 2、搜索PropertiesComponent，添加如下 &lt;property name=&quot;dynamic.classpath&quot; value=&quot;tru
vue常见错误
删除根组件app.vue中的默认代码后报错：Module Error (from ./node_modules/eslint-loader/index.js): 解决方案：关闭ESlint代码检测，在项目根目录创建vue.config.js，在文件中添加 module.exports = { lin
spark常见错误
查看spark默认的python版本 [root@master day27]# pyspark /home/software/spark-2.3.4-bin-hadoop2.7/conf/spark-env.sh: line 2: /usr/local/hadoop/bin/hadoop: No s
matplotlib报错：AttributeError: module 'backend_interagg' has no attribute 'FigureCanvas'. Did you mean: 'FigureCanvasAgg'?
使用本地python环境可以成功执行 import pandas as pd import matplotlib.pyplot as plt # 设置字体 plt.rcParams[&#39;font.sans-serif&#39;] = [&#39;SimHei&#39;] # 能正确显示负号 p
gitlab登录失败，报错：This challenge page was accidentally cached by an intermediary and is no longer available.
设置时间 控制面板
后端开发常见错误
错误1：Request method ‘DELETE‘ not supported 错误还原：controller层有一个接口，访问该接口时报错：Request method ‘DELETE‘ not supported 错误原因：没有接收到前端传入的参数，修改为如下 参考 错误2：cannot r
docker常见错误
错误1：启动docker镜像时报错：Error response from daemon: driver failed programming external connectivity on endpoint quirky_allen 解决方法：重启docker -&gt; systemctl r
idea常见错误
错误1：private field ‘xxx‘ is never assigned 按Altʾnter快捷键，选择第2项 参考：https://blog.csdn.net/shi_hong_fei_hei/article/details/88814070 错误2：启动时报错，不能找到主启动类 #
pip安装依赖失败
报错如下，通过源不能下载，最后警告pip需升级版本 Requirement already satisfied: pip in c:\users\ychen\appdata\local\programs\python\python310\lib\site-packages (22.0.4) Coll
maven常见错误
错误1：maven打包报错 错误还原：使用maven打包项目时报错如下 [ERROR] Failed to execute goal org.apache.maven.plugins:maven-resources-plugin:3.2.0:resources (default-resources)
cloud项目中常见错误
错误1：服务调用时报错 服务消费者模块assess通过openFeign调用服务提供者模块hires 如下为服务提供者模块hires的控制层接口 @RestController @RequestMapping(&quot;/hires&quot;) public class FeignControl
springboot常见错误
错误1：运行项目后报如下错误 解决方案 报错2：Failed to execute goal org.apache.maven.plugins:maven-compiler-plugin:3.8.1:compile (default-compile) on project sb 解决方案：在pom.
springmvc拦截器中使用redisTemplate报空指针异常
参考 错误原因 过滤器或拦截器在生效时，redisTemplate还没有注入 解决方案：在注入容器时就生效 @Component //项目运行时就注入Spring容器 public class RedisBean { @Resource private RedisTemplate&lt;String
vite报错：npm ERR! command C:WINDOWSsystem32cmd.exe /d /s /c C:UsersychenAppDataLocalTempnpx-dde1c848.cmd
使用vite构建项目报错 C:\Users\ychen\work&gt;npm init @vitejs/app @vitejs/create-app is deprecated, use npm init vite instead C:\Users\ychen\AppData\Local\npm-
pythonJavaScriptjavaHTMLPHPreactjsC#AndroidCSSNode.jssqlrpython-3.xMysqLjQueryc++pandasFlutterangularIOSdjangolinuxswifttypescript路由器JSON路由器设置无线路由器h3c华三华三路由器设置华三路由器电脑软件教程arraysdocker软件图文教程Cvue.jslaravelspring-boot