有没有一种方法可以估计python stats模型中的Poisson交互效应？

Question

Python中的statsmodels有没有一种方法可以用95%的置信区间来估计交互？这将是模型参数估计的线性组合

考虑到下面的例子，我想得到在“那里”的人中处于“b”臂的效果，这需要估计模型参数的线性组合：

βarm+δarm*位置，但也包括适当的置信区间

我知道mod.params和mod.conf_int()，但是statsmodels有其他的线性组合方法吗

import random
import pandas as pd
import statsmodels.api as sm
import patsy
import numpy as np

cases = np.array([random.randint(0,10) for i in range(200)])
arm = [random.choice(['a', 'b']) for i in range(200)]
place = [random.choice(['here', 'there']) for i in range(200)]
df = pd.DataFrame({'arm': arm, 'place': place})
exog = patsy.dmatrix('arm + place + arm * place', df, return_type='dataframe')

mod = sm.GLM(endog=cases, exog=exog, family=sm.families.Poisson()).fit()
mod.summary()

Answer 1

Bollen's Delta Method常用于求线性组合b1 * x + b2 * x * z的置信区间

我不确定如何以及在多大程度上Statsmodels incorporates the Delta Method

如果你想沿着results.get_prediction的路线走下去，只要确保所有的“其他协变量”（如果有的话）都设置为它们的样本或总体平均值