如何在R中手动实现loess函数自助法并估计置信区间

一、LOESS平滑度的其他控制方式 #

除了span参数（控制邻域样本占比，值越小拟合越粗糙，越大越平滑），还可以通过以下参数调整平滑效果：

• degree：控制拟合的多项式次数，默认是2（二次多项式）。设为1时是线性LOESS，拟合结果更贴近直线，平滑程度更高；保持2则能捕捉更复杂的非线性趋势。
• family：默认是"gaussian"，若设为"symmetric"，会使用对称权重降低异常值的影响，让拟合曲线更稳健，间接改变平滑后的形态。
• control参数：通过loess.control()配置，比如：
  • iterations：设置稳健拟合的迭代次数（默认4次），减少次数会让拟合结果更粗糙，增加次数会让曲线更平滑但计算耗时更长。
  • surface：可选"direct"或"interpolate"，不同的拟合算法会影响最终的平滑效果，"direct"适合大数据集，结果可能略有差异。

二、手动实现LOESS自助法置信区间 #

以下是基于R语言的手动实现步骤，完全匹配你的需求：在x范围[27.05575, 144.75700]的300个点上计算预测均值、标准差和置信区间。

假设你的原始数据是包含x和y列的数据框df，代码如下：

# 1. 生成300个均匀分布的预测点
x_pred <- seq(27.05575, 144.75700, length.out = 300)

# 2. 设置自助抽样参数（次数越多结果越精准，计算越慢）
n_boot <- 1000
# 初始化矩阵存储每次自助抽样的预测结果
boot_preds <- matrix(nrow = n_boot, ncol = length(x_pred))

# 3. 执行自助抽样循环
set.seed(123) # 固定随机种子，保证结果可重复
for(i in 1:n_boot) {
  # 从原始数据中有放回抽取相同数量的样本（自助法核心）
  boot_sample <- df[sample(nrow(df), replace = TRUE), ]
  # 拟合LOESS模型（可自行调整平滑参数，比如span、degree）
  loess_mod <- loess(y ~ x, data = boot_sample, span = 0.7, degree = 2)
  # 对预测点做预测，保存到矩阵中
  boot_preds[i, ] <- predict(loess_mod, newdata = data.frame(x = x_pred))
}

# 4. 计算每个预测点的统计量
mean_pred <- colMeans(boot_preds)       # 自助预测均值
sd_pred <- apply(boot_preds, 2, sd)     # 预测值的标准差
ci_lower <- apply(boot_preds, 2, quantile, probs = 0.025) # 95%置信区间下限
ci_upper <- apply(boot_preds, 2, quantile, probs = 0.975) # 95%置信区间上限

# 整理结果为数据框，方便后续分析或绘图
results <- data.frame(
  x = x_pred,
  predicted_mean = mean_pred,
  standard_deviation = sd_pred,
  ci_95_lower = ci_lower,
  ci_95_upper = ci_upper
)

关键原理说明 #

• 自助法的核心是有放回抽样：每次从原始数据中抽取和原数据量相同的样本，模拟数据的抽样分布。
• 多次拟合LOESS模型并预测后，每个预测点的多次预测值构成一个分布，通过这个分布计算均值（代表整体预测趋势）、标准差（预测的波动程度），以及分位数（置信区间）。

内容的提问来源于stack exchange，提问作者Alex