如何计算 R glm probit 中的线性预测变量？

Question

我想了解 Linear.predictors 在

的输出中是如何计算的

pb = glm(formula, family = binomial( link = "probit" ), data)

根据我的理解，它应该是观测值（N x k）和估计系数（k x 1）的乘积矩阵，其中N =样本大小，k =变量数量。

我尝试以两种方式手动计算它们：

rowSums(mapply(`*`,pb$model,pb$coefficients))

和

as.matrix(pb$model)%*%as.matrix(pb$coefficients)

对于某些观察，但不是全部，两者都给了我相同的值向量，该向量等于

pb$linear.predictors

。

你能帮我理解它是如何计算的以及我如何手动重现它吗？

Answer 1

如果您查看

pb$model

的输出，您会发现这还包括结果

y

，并且您不想乘以结果来获得预测值。

尝试：

as.matrix(pb$model[, -1])%*%as.matrix(pb$coefficients[-1]) + pb$coefficients[1]

从

pb$model

中删除结果列，并从系数中删除截距。然后将矩阵相乘并重新添加截距。

您也可以将

pb$model

的第一列替换为

1

列，然后乘以

pb$coefficients

。如果您查找线性代数进行回归，这就是遵循矩阵表示法的方法。