Ennuste on vain lineaarinen yhdistelmä arvioiduista kertoimista. Kertoimet ovat asymptoottisesti normaaleja, joten myös näiden kertoimien lineaarinen yhdistelmä on asymptoottisesti normaali. Joten jos voimme saada kovarianssimatriisin parametriestimaateille, voimme saada standardivirheen näiden arvioiden lineaariselle yhdistelmälle helposti. Jos merkitsen kovarianssimatriisia nimellä $ \ Sigma $ ja kirjoitan lineaarisen yhdistelmän kertoimet vektoriin muodossa $ C $, vakiovirhe on vain $ \ sqrt {C '\ Sigma C} $

  # Väärennettyjen tietojen tekeminen ja mallin sovittaminen sekä ennustekokonaisuuden.seed (500) dat saaminen <- data.frame (x = runif (20), y = rbinom (20, 1, .5)) o <- glm (y ~ x, data = dat) pred <- ennustaa (o, newdata = data.frame (x = 1,5), se.fit = TOSI) # Saadaksesi ennusteen x = 1,5: lle, todella kysyn # yhat = b0 + 1,5 * b1, joten glm-objektiin sovellettava # C = c (1, 1,5) # ja vcov antaa minulle # kovarianssimatriisin estimaateille C <- c (1, 1,5) vakio er <- sqrt ( t (C)% *% vcov (o)% *% C) > pred $ se.fit [1] 0.4246289> std.er [, 1] [1,] 0.4246289  

Näemme, että esittelemäni "käsin" -menetelmä antaa saman vakiovirheen kuin raportoitu predict