看到前面的答案就删除了。在你的例子中，给定n=50，模型是二项分布的，你可以用下面的公式计算x，给定y：

f <- function (y,m) {
  (logit(y/50) - coef(m)[["(Intercept)"]]) / coef(m)[["x"]]
}
> f(30,model)
[1] 48.59833

字符串
但是在这样做的时候，你最好咨询统计学家，让他告诉你如何计算逆预测区间。请你考虑一下Vitoshka的意见

偶然发现了这个旧线程，但我想我会添加一些其他信息。包MASS具有logit/probit模型的函数dose.p。SE是通过delta方法。

> dose.p(model,p=.6)
             Dose       SE
p = 0.6: 48.59833 1.944772

字符串
拟合逆模型（x~y）在这里没有意义，因为正如@VitoshKa所说，我们假设x是固定的，y（0/1响应）是随机的。此外，如果数据没有分组，那么解释变量只有2个值：但是，即使我们假设x是固定的，对于给定的p，计算剂量x的置信区间仍然是有意义的，与@VitoshKa所说的相反。就像我们可以根据ED 50重新参数化模型一样，我们可以为ED 60或任何其他分位数这样做。参数是固定的，但我们仍然为它们计算CI。

chemcal包具有inverse.predict()函数，该函数适用于y ~ x和y ~ x - 1形式的拟合

你只需要重新排列回归方程，但正如上面的评论所说，这可能很棘手，不一定有意义的解释。
但是，对于您提供的案例，您可以用途：

(1/coef(model)[2])*(model$family$linkfun(30/50)-coef(model)[1])

字符串
注意，我首先除以x系数，以确保name属性正确。

为了快速查看（没有间隔和考虑其他问题），您可以使用TeachingDemos包中的TkPredict函数。它并不直接这样做，但允许您动态更改x值并查看预测的y值，因此移动x直到找到所需的Y（对于给定的附加x值）是相当简单的，这也将显示多个x可能存在的问题，这些x可能适用于同一个y。

假设您使用的是二项式模型，则模型为：

的数据
因此，逆模型为：

您可以在Estimate列下的glm的摘要报告中找到α和β值，或使用model$coefficients。α是截距系数，β是变量的系数（在本例中为x）。
因此，您需要的代码如下所示，其中y是您想要的值的概率，model是您的回归模型。

binomial.f.inv <- function(y, model) {
  (log(y / (1 - y)) - model$coefficients[[1]]) / model$coefficients[[2]]
}

字符串
模型方程的代码为：

binomial.f <- function(x, model) {
  1 / (1 + exp(-model$coefficients[[1]] - model$coefficients[[2]] * x))
}

型