`glmRob ()` не предсказывает, когда задан аргумент `newdata`

Ниже приведен немного измененный код из glmRob() примеров. Когда задан аргумент newdata, predict.glmRob() выдает ошибку. Я делаю что-то неправильно?

suppressMessages(library(robust))
data(breslow.dat)
bres.rob <- glmRob(sumY ~ Age10 + Base4 * Trt, family = poisson(), data = breslow.dat)
predict(bres.rob, newdata = breslow.dat)

Ошибка в NextMethod (предсказать): нет метода для вызова

devtools::session_info()
#> ─ Session info ─────────────────────────────────────────────────────────────
#>  setting  value                       
#>  version  R version 4.0.3 (2020-10-10)
#>  os       macOS Catalina 10.15.7      
#>  system   x86_64, darwin17.0          
#>  ui       X11                         
#>  language (EN)                        
#>  collate  en_US.UTF-8                 
#>  ctype    en_US.UTF-8                 
#>  tz       America/Los_Angeles         
#>  date     2020-12-14                  
#> 
#> ─ Packages ─────────────────────────────────────────────────────────────────
#>  package     * version date       lib source        
#>  assertthat    0.2.1   2019-03-21 [1] CRAN (R 4.0.0)
#>  callr         3.5.1   2020-10-13 [1] CRAN (R 4.0.2)
#>  cli           2.2.0   2020-11-20 [1] CRAN (R 4.0.3)
#>  crayon        1.3.4   2017-09-16 [1] CRAN (R 4.0.0)
#>  DEoptimR      1.0-8   2016-11-19 [1] CRAN (R 4.0.0)
#>  desc          1.2.0   2018-05-01 [1] CRAN (R 4.0.0)
#>  devtools      2.3.2   2020-09-18 [1] CRAN (R 4.0.2)
#>  digest        0.6.27  2020-10-24 [1] CRAN (R 4.0.2)
#>  ellipsis      0.3.1   2020-05-15 [1] CRAN (R 4.0.0)
#>  evaluate      0.14    2019-05-28 [1] CRAN (R 4.0.0)
#>  fansi         0.4.1   2020-01-08 [1] CRAN (R 4.0.0)
#>  fit.models  * 0.64    2020-08-02 [1] CRAN (R 4.0.2)
#>  fs            1.5.0   2020-07-31 [1] CRAN (R 4.0.2)
#>  glue          1.4.2   2020-08-27 [1] CRAN (R 4.0.2)
#>  highr         0.8     2019-03-20 [1] CRAN (R 4.0.0)
#>  htmltools     0.5.0   2020-06-16 [1] CRAN (R 4.0.0)
#>  knitr         1.30    2020-09-22 [1] CRAN (R 4.0.2)
#>  lattice       0.20-41 2020-04-02 [1] CRAN (R 4.0.3)
#>  magrittr      2.0.1   2020-11-17 [1] CRAN (R 4.0.2)
#>  MASS          7.3-53  2020-09-09 [1] CRAN (R 4.0.3)
#>  memoise       1.1.0   2017-04-21 [1] CRAN (R 4.0.0)
#>  mvtnorm       1.1-1   2020-06-09 [1] CRAN (R 4.0.0)
#>  pcaPP         1.9-73  2018-01-14 [1] CRAN (R 4.0.0)
#>  pkgbuild      1.1.0   2020-07-13 [1] CRAN (R 4.0.0)
#>  pkgload       1.1.0   2020-05-29 [1] CRAN (R 4.0.0)
#>  prettyunits   1.1.1   2020-01-24 [1] CRAN (R 4.0.0)
#>  processx      3.4.5   2020-11-30 [1] CRAN (R 4.0.2)
#>  ps            1.5.0   2020-12-05 [1] CRAN (R 4.0.2)
#>  R6            2.5.0   2020-10-28 [1] CRAN (R 4.0.2)
#>  remotes       2.2.0   2020-07-21 [1] CRAN (R 4.0.2)
#>  rlang         0.4.9   2020-11-26 [1] CRAN (R 4.0.2)
#>  rmarkdown     2.5     2020-10-21 [1] CRAN (R 4.0.2)
#>  robust      * 0.5-0.0 2020-03-08 [1] CRAN (R 4.0.0)
#>  robustbase    0.93-6  2020-03-23 [1] CRAN (R 4.0.0)
#>  rprojroot     2.0.2   2020-11-15 [1] CRAN (R 4.0.2)
#>  rrcov         1.5-5   2020-08-03 [1] CRAN (R 4.0.2)
#>  sessioninfo   1.1.1   2018-11-05 [1] CRAN (R 4.0.0)
#>  stringi       1.5.3   2020-09-09 [1] CRAN (R 4.0.2)
#>  stringr       1.4.0   2019-02-10 [1] CRAN (R 4.0.0)
#>  testthat      3.0.0   2020-10-31 [1] CRAN (R 4.0.2)
#>  usethis       1.6.3   2020-09-17 [1] CRAN (R 4.0.2)
#>  withr         2.3.0   2020-09-22 [1] CRAN (R 4.0.2)
#>  xfun          0.19    2020-10-30 [1] CRAN (R 4.0.2)
#>  yaml          2.2.1   2020-02-01 [1] CRAN (R 4.0.0)
#> 
#> [1] /Library/Frameworks/R.framework/Versions/4.0/Resources/library

Создано 14 декабря 2020 г. пакетом REPEX (v0.3.0)

Стоит отметить, что то же самое работает и с обычным glm().

suppressMessages(library(robust))
data(breslow.dat)
bres.glm <- glm(sumY ~ Age10 + Base4 * Trt, family = poisson(), data = breslow.dat)
predict(bres.glm, newdata = breslow.dat)
#>        1        2        3        4        5        6        7        8 
#> 2.957756 2.933407 2.704879 3.015431 3.913226 3.250763 2.979112 4.101214 
#>        9       10       11       12       13       14       15       16 
#> 3.360129 2.863352 3.955120 3.257157 2.912460 3.741554 4.459110 3.668917 
#>       17       18       19       20       21       22       23       24 
#> 3.034205 5.093412 3.131601 2.906475 2.930414 2.671553 3.110244 3.174723 
#>       25       26       27       28       29       30       31       32 
#> 3.873096 3.134184 2.644211 3.507451 3.917288 3.375050 2.641300 2.675629 
#>       33       34       35       36       37       38       39       40 
#> 2.592602 2.854897 3.163672 2.890335 2.625822 3.756825 3.201280 2.557211 
#>       41       42       43       44       45       46       47       48 
#> 2.784067 2.988840 3.585320 3.060731 3.448097 2.484164 3.182476 2.577124 
#>       49       50       51       52       53       54       55       56 
#> 5.757692 3.003209 3.274328 3.308657 3.525533 3.268830 2.863768 2.857114 
#>       57       58       59 
#> 2.805090 2.891444 2.892553

Создано 14 декабря 2020 г. пакетом REPEX (v0.3.0)


r glm robust
person Rory Nolan    schedule 14.12.2020    source источник

Ответы (1)


arrow_upward
2
arrow_downward

Просто уберите аргумент newdata, поскольку вы используете его для тех же данных.

Из надежных документов здесь

newdata - необязательно, фрейм данных, в котором нужно искать переменные для прогнозирования. Если опущено, используются подогнанные линейные предикторы.

Отредактировано для добавления

Один из перечисленных авторов ответил и рекомендовал использовать пакет robustbase (которого он поддерживает) вместо robust, потому что методы, используемые в первом, более современные, а также подкреплены более обширным тестированием и примерами.

Вот мой пример кода для быстрого сравнения между ними. Обратите внимание, что буква r в glmrob robustbase строчная.

library(robustbase)
library(robust)
data(breslow.dat)

## Comparison of methods.

bres.robustbase <- glmrob(sumY ~ Age10 + Base4 * Trt, family = poisson, data = breslow.dat)
predict(bres.robustbase, newdata = breslow.dat)

bres.robust <- glmRob(sumY ~ Age10 + Base4 * Trt, family = poisson(), data = breslow.dat)
predict(bres.robust)

## predict handling test data on robustbase's glmrob object.

lastIndex = round(nrow(breslow.dat)*0.7)
train = breslow.dat[1:lastIndex,]
test = breslow.dat[(lastIndex + 1):nrow(breslow.dat),]

bres.robustbase <- glmrob(sumY ~ Age10 + Base4 * Trt, family = poisson, data = train)
predict(bres.robustbase, newdata = test)

Обратите внимание, что вы получите разные оценки коэффициентов и, следовательно, прогнозы между glmrob и glmRob. Решить, какой из них более точный, пока мне неизвестно (надеюсь, не для вас), но я связался с нашим автором, чтобы узнать, может ли он дать подробное объяснение, которое можно опубликовать здесь.

person Econundrums    schedule 20.12.2020
comment
это интересно, но на самом деле может не решить проблему OP. (Я немного покопался в отправке метода S3 и т. Д. И т. Д., Но не смог уйти очень далеко ...) - person Ben Bolker; 21.12.2020
comment
Да, похоже, что NextMethod не проходит должным образом и, возможно, family(object)$inverse должно быть family(object)$linkinv. Я думаю, что ошибка должна быть поднята с maintainer("robust") - person user20650; 21.12.2020
comment
Если вопрос OP касается того, почему он не может передать фрейм данных через newdata период, я согласен (стоит обратиться к авторам пакета). Однако похоже, что он просто пытался воспроизвести пример, данный runnig predict на том же полном наборе данных, что делает ненужным использование аргумента newdata. - person Econundrums; 21.12.2020
comment
Так что просто чтобы уточнить. В общем, я хочу использовать аргумент newdata для прогнозирования свежих данных. Здесь я просто передал подгоночные данные в newdata, чтобы показать, что модель даже не может предсказать на основе собственных данных (чтобы уточнить, какая проблема не имела ничего общего с форматом данных, которые я передавал). - person Rory Nolan; 21.12.2020
comment
Копировать. Спасибо за разъяснения. Я свяжусь с авторами пакета. - person Econundrums; 21.12.2020
comment
@Econundrums; спасибо за продолжение. Что касается коэффициентов, на моем компьютере коэффициенты нестабильны под glmRob, т.е. они сильно меняются при разных прогонах и, следовательно, могут получить некоторые дикие прогнозы. - person user20650; 22.12.2020
comment
@ user20650 Думаю, это еще одна причина использовать robustbase;) - person Econundrums; 23.12.2020