Есть ли способ оценить эффект взаимодействия Пуассона в statsmodels python?

Question

Есть ли у statsmodels в Python способ оценить взаимодействие с 95% доверительным интервалом? Это будет линейная комбинация оценок параметров модели.

Учитывая приведенный ниже пример, я хотел бы получить эффект присутствия в группе «b» среди людей, находящихся «там», для этого потребовалась бы оценкалинейная комбинация параметров модели:

Beta arm + Delta arm * place, но также включая соответствующий доверительный интервал.

Я в курсеmod.params и mod.conf_int(), но есть ли у statsmodels другие методы для линейных комбинаций?

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

Дельта-метод Боллена часто используется для получения доверительного интервала для линейной комбинации b1 * x + b2 * x * z.

Я не уверен, как и в какой степени Statsmodels включаетДельта-метод .

Если вы хотите пойти по маршруту results.get_prediction, просто убедитесь, что для всех «других ковариат» (если таковые имеются) установлены значения выборки или совокупности.