Firth regresión logística en R

Question

Estoy usando el logistf paquete en R para realizar Firth regresión logística en un desequilibrio en el conjunto de datos. Tengo un logistf objeto:

fit = logistf(a~b)

Hay un predict() de la función como en la que se utiliza en la lm de la clase a predecir las probabilidades para el futuro de puntos de datos? O tengo que introducir manualmente los parámetros estimados desde el Fiordo de regresión.

Gracias!

Answer 1

Un enfoque alternativo es el brglm paquete. Por ejemplo, utilizando los mismos datos/modelo como @chl la Respuesta

data(sex2)
fm <- case ~ age + oc + vic + vicl + vis + dia
fit <- brglm(fm, data = sex2)

predict(fit, newdata = sex2[1:5, ], type = "response")

Que los rendimientos de la

> predict(fit, newdata = sex2[1:5, ], type = "response")
        1         2         3         4         5 
0.3389307 0.9159945 0.9159945 0.9159945 0.9159945

Tenga en cuenta que en la brglm() de casos, debido a la forma de la función de las obras, lo que ves arriba es simplemente el resultado de la norma predict.glm() función/método en R.

Answer 2

Usted probablemente puede calcular cualquier predicciones desea con poco de álgebra. Vamos a considerar el ejemplo de conjunto de datos,

data(sex2)
fm <- case ~ age+oc+vic+vicl+vis+dia
fit <- logistf(fm, data=sex2)

Un diseño de la matriz es la única pieza que falta para calcular probabilidades pronosticadas una vez que obtenemos los coeficientes de regresión, dado por

betas <- coef(fit)

Por lo tanto, vamos a tratar de obtener la predicción de los datos observados, en primer lugar:

X <- model.matrix(fm, data=sex2)       # add a column of 1's to sex2[,-1]
pi.obs <- 1 / (1 + exp(-X %*% betas))  # in case there's an offset, δ, it 
                                       # should be subtracted as exp(-Xβ - δ)

Podemos comprobar que obtenemos el resultado correcto

> pi.obs[1:5]
[1] 0.3389307 0.9159945 0.9159945 0.9159945 0.9159945
> fit$predict[1:5]
[1] 0.3389307 0.9159945 0.9159945 0.9159945 0.9159945

Ahora, usted puede poner en el diseño de la matriz, X, valores que están interesados en. Por ejemplo, con todas las covariables conjunto a uno

new.x <- c(1, rep(1, 6))
1 / (1 + exp(-new.x %*% betas)) 

obtenemos una probabilidad individual de 0.804, mientras que cuando todas las variables de control se establece en 0 (new.x <- c(1, rep(0, 6))), la probabilidad estimada es 0.530.