R语言中GLM预测常见错误及负二项模型预测问题咨询

先聊聊GLM预测时容易踩的坑，不管是普通线性回归变体还是负二项这类计数模型，这些错误都很常见：

• 变量类型不匹配：这是最容易犯的！比如你训练模型时treatment是数值型，结果测试数据里把它转成了因子；或者age在训练集是整数，测试集变成了字符型，R直接会给你报错，说找不到匹配的变量类型。
• 缺失模型所需的自变量：如果你的负二项模型用到了treatment和age两个变量，结果测试数据只给了age，那预测时肯定会提示缺少变量，直接跑不起来。
• 自变量取值超出训练范围：比如你训练数据里的age范围是22到42，要是你突然预测一个10岁或者70岁的患者，虽然R不会报错，但这个预测结果完全不可信——模型没见过这么极端的数据，没法给出靠谱的估计。
• 模型本身拟合有问题：如果你的负二项模型拟合时就没收敛（比如出现奇异值警告，或者迭代次数不够），那用这个模型去预测，要么返回NA，要么给出的结果根本不对。
• 搞错预测值的尺度：GLM的predict()默认输出的是链接函数转换后的值（负二项模型默认是log链接），不是你要的实际 seizure rate！必须加type="response"参数，才能得到原始计数尺度的预测值，这点很多新手都容易忘。
• 数据结构不兼容：虽然tibble和普通data.frame大部分时候可以通用，但如果你的测试数据是矩阵或者其他特殊结构，偶尔会出现变量名不匹配的问题，最好统一用data.frame或者tibble来做预测数据。

再针对你的负二项模型案例来说说：
从你给出的数据结构看，epilepsy_reduced里的treatment是数值型，age是整数型，你创建的placebo_patient变量类型是匹配的，这点做得不错。

假设你是用MASS包的glm.nb()拟合的模型，比如：

library(MASS)
# 假设你的模型是这样拟合的
nb_model <- glm.nb(seizure.rate ~ treatment + age, data = epilepsy_reduced)

那预测的时候一定要记得加type="response"，示例代码如下：

# 预测安慰剂患者的 seizure rate
predict(nb_model, newdata = placebo_patient, type = "response")

# 针对progabide患者，只要把treatment设为1就行
progabide_patient <- data.frame(treatment = as.numeric(1), age = as.integer(30))
predict(nb_model, newdata = progabide_patient, type = "response")

另外还要注意：如果你的模型里还包含其他自变量（比如你没展示的交互项或者其他协变量），那测试数据里必须也包含这些变量，否则会报错。还有，如果训练时treatment是因子类型，那测试数据里也要把treatment转成因子，并且水平要和训练集一致——不过从你的数据结构看treatment是数值型，所以这部分不用操心。

内容的提问来源于stack exchange，提问作者user1607