如何在R中从泊松回归提取因子各水平的95%CI率估计

你的模型采用log链接的泊松回归，且包含offset(log(time))，因此拟合的是事件率（即单位时间内的事件发生数，公式为E(outcome) = rate × time）。要提取二水平因子X各水平的率估计及95%置信区间，有两种常用方法：

方法一：用emmeans包快速计算（推荐） #

emmeans包可直接计算变量的边际均值，并自动转换到响应尺度（即率的尺度）：

1. 安装并加载包：

install.packages("emmeans")
library(emmeans)

2. 计算X各水平的率估计及置信区间：

# 针对X变量计算边际均值，type="response"将结果转换为率尺度
emm_result <- emmeans(mod, ~ X, type = "response")
# 查看结果
emm_result

运行后会直接输出X两个水平的率估计值、标准误及95%置信区间。

方法二：手动计算（无需额外包） #

如果不想安装新包，可以手动构建预测数据并转换尺度：

1. 构建包含X所有水平及协变量典型取值的数据集：
   连续协变量取均值，分类协变量取参考水平，time固定为1（方便解释单位时间的率）：

new_dat <- expand.grid(
  X = levels(dat$X),
  A = mean(dat$A, na.rm = TRUE),  # 处理连续协变量A
  B = levels(dat$B)[1],           # 处理分类协变量B，取参考水平
  C = mean(dat$C, na.rm = TRUE),  # 处理连续协变量C
  time = 1                        # 固定time为1，对应单位时间的率
)

2. 预测log尺度的估计值及置信区间：

pred_log <- predict(mod, newdata = new_dat, se.fit = TRUE, interval = "confidence")

3. 将log尺度结果指数化，得到率及置信区间：

rate_est <- exp(pred_log$fit[, "fit"])
lower_ci <- exp(pred_log$fit[, "lwr"])
upper_ci <- exp(pred_log$fit[, "upr"])

4. 整理成清晰的结果表格：

result_df <- data.frame(
  X水平 = new_dat$X,
  率估计值 = rate_est,
  95%置信区间下限 = lower_ci,
  95%置信区间上限 = upper_ci
)
print(result_df)

注意事项 #

• 协变量的固定值可根据需求调整：比如连续协变量用中位数，分类协变量取特定水平，只需修改new_dat中的对应值即可。
• emmeans默认的协变量固定规则和手动计算的典型取值一致，两种方法的结果会保持一致。

内容的提问来源于stack exchange，提问作者Jordan Hackett