在predict.lm()中使用聚类协方差矩阵

我正在分析一个数据集，其中数据聚集在多个组（区域中的城镇）中。数据集如下所示：

R> df <- data.frame(x = rnorm(10), 
                     y = 3*rnorm(x), 
                     groups = factor(sample(c('0','1'), 10, TRUE)))
R> head(df)
        x     y groups
1 -0.8959  1.54      1
2 -0.1008 -2.73      1
3  0.4406  0.44      0
4  0.0683  1.62      1
5 -0.0037 -0.20      1
6 -0.8966 -2.34      0

我希望我的 lm() 估计能够解释组中的类内相关性，为此我正在使用一个函数cl()这需要一个lm()并返回稳健的聚类协方差矩阵（原始here http://people.su.se/~ma/clustering.pdf):

cl  <- function(fm, cluster) {
  library(sandwich)
  M <- length(unique(cluster))   
  N <- length(cluster)              
  K <- fm$rank                   
  dfc <- (M/(M-1))*((N-1)/(N-K-1))
  uj  <- apply(estfun(fm), 2, function(x) tapply(x, cluster, sum));
  vcovCL <- dfc * sandwich(fm, meat = crossprod(uj)/N)
  return(vcovCL)
}

Now,

output <- lm(y ~ x, data = df)
clcov <- cl(output, df$groups)
coeftest(output, clcov, nrow(df) - 1)

给我我需要的估计。现在的问题是我想使用模型进行预测，并且我需要用新的协方差矩阵来计算预测的标准误差clcov。也就是说，我需要

predict(output, se.fit = TRUE)

但使用clcov代替vcov(output)。像一个vcov() <-将会是完美的。

当然，我可以编写自己的函数来进行预测，但我只是想知道是否有更实用的方法可以让我使用方法进行签名lm（如arm::sim）。

Predict中的se.fit不是使用vcov矩阵计算的，而是使用qr分解和残差方差计算的。这也适用于 vcov() 函数：它从summary.lm() 中获取未缩放的 cov 矩阵以及残差方差，并使用这些矩阵。再次，未缩放的 cov 矩阵是根据 QR 分解计算出来的。

所以恐怕答案是“不，除了编写自己的函数之外没有其他选择”。您无法真正设置 vcov 矩阵，因为它会在需要时重新计算。然而，编写自己的函数相当简单。

predict.rob <- function(x,clcov,newdata){
    if(missing(newdata)){ newdata <- x$model }
    m.mat <- model.matrix(x$terms,data=newdata)
    m.coef <- x$coef
    fit <- as.vector(m.mat %*% x$coef)
    se.fit <- sqrt(diag(m.mat%*%clcov%*%t(m.mat)))
    return(list(fit=fit,se.fit=se.fit))
}

我没有使用predict()函数以避免不必要的计算。无论如何，它不会太多地缩短代码。

顺便说一句，这样的问题最好问stats.stackexchange.com http://stats.stackexchange.com