Есть ли разница между R-функциями, установленными() и pred()?

Ответ 1

Да, есть. Если есть функция привязка линейного предиктора к ожидаемому значению ответа (например, журнал для регрессии Пуассона или логит для логистической регрессии), predict возвращает установленные значения до тех пор, пока не будет применена функция обратной связи (чтобы вернуть данные в тот же масштаб, что и переменная ответа), и fitted показывает ее после ее применения.

Например:

x = rnorm(10)
y = rpois(10, exp(x))
m = glm(y ~ x, family="poisson")

print(fitted(m))
#         1         2         3         4         5         6         7         8 
# 0.3668989 0.6083009 0.4677463 0.8685777 0.8047078 0.6116263 0.5688551 0.4909217 
#         9        10 
# 0.5583372 0.6540281 
print(predict(m))
#          1          2          3          4          5          6          7 
# -1.0026690 -0.4970857 -0.7598292 -0.1408982 -0.2172761 -0.4916338 -0.5641295 
#          8          9         10 
# -0.7114706 -0.5827923 -0.4246050 
print(all.equal(log(fitted(m)), predict(m)))
# [1] TRUE

Это означает, что для моделей, созданных линейной регрессией (lm), нет разницы между fitted и predict.

В практическом плане это означает, что если вы хотите сравнить соответствие с исходными данными, вы должны использовать fitted.

Ответ 2

Функция fitted возвращает значения y-hat, связанные с данными, которые используются для соответствия модели. Функция predict возвращает прогнозы для нового набора предикторных переменных. Если вы не укажете новый набор предикторных переменных, то он будет использовать исходные данные по умолчанию, давая те же результаты, что и fitted для некоторых моделей, но если вы хотите предсказать новый набор значений, вам нужно predict. Функция predict часто также имеет опции, для которых возвращаемый тип прогноза, линейный предиктор, предсказание, преобразованное в шкалу ответов, наиболее вероятную категорию, вклад каждого члена в модель и т.д.