如何在R中将含Mean与SE的时间序列传入lm及predict函数以调整模型SE？

我有一组时间序列数据freqdata，每个年份对应均值（Mean）和标准误（SE），无法获取原始数据，也没有各年份的样本量。数据示例如下：

我想基于这些数据构建指数模型，目前仅用均值实现了以下代码：

exp_model <- lm(log(Mean)~ Year, data = freqdata)

并用predict绘图：

plot(freqdata$Year, freqdata$Mean)
lines(x_axis, predict(exp_model, data.frame(Year=x_axis)), col='green')

但我不知道怎么把时间序列的SE纳入预测过程。我认为预测的均值不受SE影响，但模型自身的标准误应该依赖于原数据的SE，而且这个SE对后续绘图很重要。

请问：如何将时间序列的SE传入lm或predict函数，让最终模型的SE依赖于该SE？如果lm/predict不是合适的工具，R中有什么替代函数可用？

你的核心需求是在模型拟合中考虑每个年份均值的不确定性（即SE），普通lm做的无权重最小二乘未考虑观测精度差异，这里应该用加权最小二乘（WLS），权重取每个观测方差的倒数（即1/(SE^2)）——SE是均值的标准误，其平方为均值方差，权重与方差成反比，精度越高（SE越小）的观测在拟合中占比越高。

1. 加权最小二乘拟合模型 #

先计算权重，再传入lm的weights参数：

# 计算权重：1/(SE^2)
freqdata$weight <- 1 / (freqdata$SE)^2

# 拟合加权指数模型
exp_model_wls <- lm(log(Mean) ~ Year, data = freqdata, weights = weight)

2. 带标准误的预测与绘图 #

拟合WLS模型后，predict可通过se.fit = TRUE输出预测值的标准误，用此绘制预测区间：

# 生成预测用的年份序列
x_axis <- seq(min(freqdata$Year), max(freqdata$Year), by = 0.1)

# 获取预测值和对应标准误
pred_results <- predict(exp_model_wls, newdata = data.frame(Year = x_axis), se.fit = TRUE)

# 转换回原始尺度（模型拟合的是log(Mean)，需指数转换）
pred_mean <- exp(pred_results$fit)
# 对数转换后的标准误转换回原始尺度的近似计算
pred_se <- exp(pred_results$fit) * pred_results$se.fit

# 绘图
plot(freqdata$Year, freqdata$Mean, pch = 16, ylab = "Mean", xlab = "Year")
# 绘制预测均值线
lines(x_axis, pred_mean, col = "green", lwd = 2)
# 绘制95%置信区间（±1.96倍标准误）
lines(x_axis, pred_mean + 1.96 * pred_se, col = "green", lty = 2)
lines(x_axis, pred_mean - 1.96 * pred_se, col = "green", lty = 2)

3. 替代工具：nlme包的gls函数 #

如果需要更灵活的方差/时间序列结构（比如自相关），可以用nlme包的gls函数，支持自定义方差权重：

library(nlme)
# 拟合带固定方差权重的广义最小二乘模型
exp_model_gls <- gls(log(Mean) ~ Year, data = freqdata, weights = varFixed(~ I(SE^2)))
# 获取预测值和标准误
pred_gls <- predict(exp_model_gls, newdata = data.frame(Year = x_axis), se.fit = TRUE)

关键说明 #

• WLS会调整拟合系数，因此拟合的均值线会和普通LS略有不同——精度高的观测会被赋予更高权重，模型会更贴近这些点。
• WLS会考虑不同观测的精度差异，得到更合理的模型标准误和预测区间估计。

内容的提问来源于stack exchange，提问作者Praveen J