R语言进行数值模拟：模拟泊松回归模型的数据

模拟回归模型的数据

验证回归模型的首选方法是模拟来自它们的数据，并查看模拟数据是否捕获原始数据的相关特征。感兴趣的基本特征是平均值。我喜欢这种方法，因为它可以扩展到广义线性模型（logistic，Poisson，gamma，...）和其他回归模型，比如t -regression。这是Gelman和Hill在回归文本中的内容。1可悲的是，从R中回归模型模拟数据的默认方法错过什么人可能会考虑模型不确定性的一个重要来源-在估计回归系数的差异。

您的标准回归模型假设存在将预测变量与结果相关联的真实/固定参数。但是，当我们执行回归时，我们只估计这些参数。因此，回归软件返回表示系数不确定性的标准误差。在所有其他条件相同的情况下，较小的样本量导致我们更大的系数不确定性意味着更大 模拟模型数据的默认方法忽略了这种不确定性。这是一个大问题吗？也许不是那么多。但如果不忽视这种模型不确定性的来源，那就太好了。

我将用一个例子来证明我的意思。

示范

我将使用泊松回归来证明这一点。我模拟了两个预测变量，一个连续，xc和一个二进制，xb。并使用50的小样本。

library(MASS) # For multivariate normal distribution, handy later on
n <- 50