以通常的方式：

p <- predict(mod, newdata, type = "link", se.fit = TRUE)

然后注意p包含一个分量，其中包含$se.fit对 中的观测值的预测的标准误差newdata。然后，您可以通过将 SE 乘以适合您所需水平的值来形成 CI。例如，大约 95% 的置信区间形成为：

upr <- p$fit + (2 * p$se.fit)
lwr <- p$fit - (2 * p$se.fit)

您从 a 中替换为适当的值$t$或您需要的区间的高斯分布。

请注意，我使用type = "link"你没有说你是否有 GAM 或只是一个 AM。在 GAM 中，您需要在线性预测变量的尺度上形成置信区间，然后通过应用链接函数的逆函数将其转换为响应的尺度：

upr <- mod$family$linkinv(upr)
lwr <- mod$family$linkinv(lwr)

现在请注意，这些是非常近似的间隔。此外，这些间隔在预测值上是逐点的，它们没有考虑执行平滑度选择的事实。

可以通过从参数的后验分布模拟来计算同时置信区间。我的博客上有一个例子。

如果您想要一个不以平滑参数为条件的置信区间（即考虑到我们不知道，而是估计平滑参数值的置信区间），则添加unconditional = TRUE到predict()调用中。

此外，如果您不想自己执行此操作，请注意较新版本的mgcv具有plot.gam()返回一个对象的函数，该对象包含用于创建平滑图及其置信区间的所有数据。您可以将输出保存plot.gam()在 obj 中

obj <- plot(model, ....)

然后检查obj，这是一个列表，每个平滑一个组件。添加seWithMean = TRUE到plot()调用以获取不以平滑参数为条件的置信区间。

如果您只想绘制它们，则该plot.gam函数具有使用阴影参数默认为置信区间的阴影。另请参阅gam.vcomp获取间隔。

该软件包mgcv（比 gam 更新）很容易绘制可信区间。这种贝叶斯方法与置信区间不同，但结果几乎相同，正如数值模拟所显示的那样（参见Marra 和 Wood在 mgcv 中链接的论文）。