You don't have enough information right now. 要计算拟合曲线的置信区间,需要使用 a complete variance-covariance matrix 作为三个系数,但现在只有该矩阵的对角线条目 .
如果已经拟合了正交多项式,则方差 - 协方差矩阵是对角线的,具有相同的对角线元素 . 这肯定不是你的情况,因为:
您显示的
标准错误彼此不同;
您已明确使用原始多项式表示法: x + I(x ^ 2)
但我发现的方法需要原始数据
它不是用于拟合模型的"raw data" . 它是"new data"你想要产生信心带 . 但是,您确实需要知道用于拟合模型的数据的数量,例如 n ,因为这是获得剩余自由度所必需的 . 在你的3个系数的情况下,这个自由度是 n - 3 .
一旦你有:
完全方差 - 协方差矩阵,让我们说 V ;
n ,用于模型拟合的数据数量;
点 x 的向量给出了产生置信带的位置,
您可以先从以下方面获得预测标准误差:
X
e
你知道如何从拟合的多项式公式得到预测均值吗?假设平均值为 mu ,现在为95%-CI,使用
## residual degree of freedom: n - 3
mu + e * qt(0.025, n - 3) ## lower bound
mu - e * qt(0.025, n - 3) ## upper bound
Update
根据您提供的协方差矩阵,现在可以生成一些结果和数字 .
V
0.068245163, -0.065114661, 0.002874075, -0.065114661, 0.065294027
), .Dim = c(3L, 3L), .Dimnames = list(c("a0", "a1", "a2"), c("a0",
"a1", "a2")))
假设我们想在 x = seq(-5, 5, by = 0.2) 生成CI:
beta
x
X
mu
e
n
lo
up
matplot(x, cbind(mu, lo, up), type = "l", col = 1, lty = c(1,2,2))