Як ggplot обчислює довірчі інтервали для регресії?

Пакет R-графіки ggplot2 має дивовижну функцію під назвою stat_smooth для побудови лінії регресії (або кривої) з пов'язаною смугою довіри.

Однак мені важко зрозуміти, як саме формується ця смуга довіри для кожного періоду регресії (або "методу"). Як я можу знайти цю інформацію?

З Detailsрозділу довідки

Розрахунок виконується за загальною функцією прогнозованого PDF (та на даний момент недокументованою) та її методами. Для більшості методів довірчі межі обчислюються за допомогою методу прогнозування - винятки становлять льосові, які використовують наближення, засноване на t, і для glm, коли нормальний довірчий інтервал побудований за шкалою зв'язку, а потім перетворений на шкалу відгуку.

Таким чином, передбачуваний файл , як правило, викликає stats::predict, що, в свою чергу, називатиме правильний predictметод методу згладжування. Інші функції, що включають stat_smooth , також корисні для розгляду.

Більшість функцій підгонки моделі матимуть predictметод, пов'язаний із classмоделлю. Зазвичай вони беруть newdataоб'єкт і аргумент, se.fitякий позначатиме, чи будуть встановлені стандартні помилки. (див. ?predict) для отримання детальної інформації.

se
інтервал довіри відображення навколо гладкого? (TRUE за замовчуванням, див. Рівень для контролю

Це передається безпосередньо методу прогнозування для повернення відповідних стандартних помилок (метод залежить)

fullrange
якщо відповідність охоплює весь діапазон сюжету, або лише дані

Це визначає newdataзначення, за xякими будуть оцінюватися прогнози

level рівень довірчого інтервалу для використання (0.95 за замовчуванням)

Передається безпосередньо методу прогнозування, щоб інтервал довіри міг визначити відповідне критичне значення (наприклад, predict.lmвикористання qt((1 - level)/2, df)стандартних помилок, помножених на

n кількість балів, щоб оцінити плавніше

Використовується спільно з fullrangeдля визначення xзначень уnewdata об'єкті.

У межах дзвінка до stat_smoothвас можна визначити se, що саме частково відповідає se.fit(або se), і визначити intervalаргумент, якщо потрібно.levelдасть рівень довірчого інтервалу (за замовчуванням 0,95).

newdataОб'єкт визначається в межах обробки, в залежності від настройки fullrangeдо послідовності довжиниn в межах повного діапазону ділянки або даних.

У вашому випадку, використовуючи rlm, це використовуватиме predict.rlm, що визначено як

predict.rlm <- function (object, newdata = NULL, scale = NULL, ...)
{
    ## problems with using predict.lm are the scale and
    ## the QR decomp which has been done on down-weighted values.
    object$qr <- qr(sqrt(object$weights) * object$x)
        predict.lm(object, newdata = newdata, scale = object$s, ...)
}

Тож це внутрішнє виклик predict.lmіз відповідним масштабуванням qrрозкладання та scaleаргументу.