从 R 中的线性模型估计预测值答案

【问题标题】：Estimate predicted value from linear model in R从 R 中的线性模型估计预测值
【发布时间】：2015-10-29 00:17:39
【问题描述】：

给定一个回归模型：

y = b0 + b1(x)

x 和 y 都是连续的。

在拟合模型后，我想估计当 x 处于某个值（例如 100）时 y 的预测均值和 95%CI。

在Stata中，可以通过边距来实现：

reg y x
margins, at (x = 100)

在 SAS 中，可以通过估算来完成：

proc glm;
model y = x / clparm solution;
estimate "Test x = 100" intercept 1 x 100;
run;

我的问题是：如何在 R 中实现相同的操作？我尝试了 lsmeans 包，但如果我的模型中没有任何分类变量，它似乎不起作用。

【问题讨论】：

【解决方案1】：

predict(fit,newdata=data.frame(x=100),interval="confidence")

（我不同意@thelatemail 的建议，即首选预测间隔；如果您想考虑残差，则指定预测间隔......）

【讨论】：

谢谢！这很有帮助。
从技术上讲，margins, at (x = 100) 的 R 等效项将是 predict(fit, newdata = within(data, x = 100), interval="confidence")，因为 margins 给出了所有案例的平均预测，x 固定为指定值，而不是单个预测，具体情况。
嗯。 OP 询问的 univariate 情况是否有区别？ @rvl，是否应该有一个新的/更新的答案来引用 emmeans 中的新功能/语法？