Comment calculer l'erreur standard d'estimation dans la régression de deming?

Question

J'ai calculé les paramètres de régression en utilisant la régression de Deming avec le paquet mcreg:

dem.reg <- mcreg(x, y, method.reg="Deming") 
printSummary(dem.reg) 

Est-ce que quelqu'un sait comment je peux calculer l'erreur type de l'estimation?

Answer 1

Selon la description du package mcr, l'erreur standard semble ne pas être disponible directement. Donc, dans ce cas, vous devez recalcule et la réécriture d'une fonction spécifique suivant les principes décrits here et here

Si nous prenons l'exemple mcreg description de la fonction, nous avons:

# requirements 
library("mcr") 
data(creatinine,package="mcr") 
x <- creatinine$serum.crea 
y <- creatinine$plasma.crea 

# Deming regression fit. 
# The confidence intercals for regression coefficients 
# are calculated with analytical method 
model1<- mcreg(x,y,error.ratio=1,method.reg="Deming", method.ci="analytical", 
       mref.name = "serum.crea", mtest.name = "plasma.crea", na.rm=TRUE) 

# Results 
printSummary(model1) 
getCoefficients(model1) 
plot(model1) 

qui donne les résultats suivants et la figure:

# ------------------------------------------ 
# 
# Reference method: serum.crea 
# Test method:  plasma.crea 
# Number of data points: 108 
# 
# ------------------------------------------ 
# 
# The confidence intervals are calculated with analytical method. 
# Confidence level: 95% 
# Error ratio: 1 
# 
# ------------------------------------------ 
# 
# DEMING REGRESSION FIT: 
# 
# EST   SE  LCI  UCI 
# Intercept -0.05891341 0.04604315 -0.1501984 0.03237162 
# Slope  1.05453934 0.03534361 0.9844672 1.12461148 
# NULL 

Vous avez donc votre interception & pente, comme il est écrit dans le graphique et vous avez juste à coder le calcul standard.error comme suit par exemple:

f.reg <- function(x){ 
    y <- x * 1.05453934 - 0.05891341 
    return(y) 
} 
y.hat <- f.reg(x) 
n.items <- length(y.hat) 
# please note that y has 'NA' values so you have to filter them 
standard.error <- sqrt(sum((y[ !is.na(y)]-y.hat[ !is.na(y)])^2)/n.items) 
# > standard.error 
# [1] 0.1566329