gam

0热度

1回答

如果模型是使用mgcv安装然后顺利术语绘制， m <- gam(y ~ s(x)) plot(m, shade = TRUE) ，那么你得到一个置信区间的曲线的曲线图。我猜想，这些是逐点置信区间。他们是如何计算的？我试着写 object <- plot(m, shade = true) object[[1]]$fit +- 2*object[[1]]$se ，以便提取使用标准误差和2

0热度

1回答

GAM与大数目协

的mgcv [R 我想知道是否有另一种方式来写函数： gam(VariableResponse ~ s(CovariateName1) + s(CovariateName2) + ... + s(CovariateName100), family = gaussian(link = identity), data = MyData) 在mgcv包，而无需输入100个协的名字如上？

-1热度

1回答

is.data.frame（data）中的错误：找不到对象'data =''

我对r很崭新，并在努力编写一个函数：我试图制作一个适合GAM的函数。我发现了一个线性模型的例子，它工作得很好。但是，尝试为GAM使用相同的结构会引发错误。线性模型： library(mgcv) library(ggplot2) theme_set(theme_bw()) set.seed(100) dd <- data.frame(x=1:100,y=round(rnorm(100,me

1热度

1回答

偏移[I]错误做与mgcv GAM二元逻辑回归时

我试图以配合二元响应广义相加模型，使用的代码： library(mgcv) m = gam(y~s(x1)+s(x2), family=multinom(K=2), data=mydata) 下面是部分我数据（样本量为443）： mydata[1:3,] y x1 x2 1 1 12.55127 0.2553079 2 1 12.52029 0.2264185 3 0 1

1热度

1回答

mgcv：获得给定新数据的响应预测分布（负二项式示例）

在GAM（和GLM，就此而言）中，我们拟合了条件似然模型。因此，在拟合模型之后，对于新输入x和响应y，我应该能够计算给定x的特定值y的预测概率或密度。例如，我可能想要这样做来比较验证数据上各种模型的适合性。有没有一种方便的方法可以在mgcv中使用合适的GAM来做到这一点？否则，我如何计算出使用的密度的确切形式，以便适当地插入参数？作为一个具体例子，考虑一个负二项分布GAM： ## From ?n

2热度

1回答

当使用vis.gam进行mgcv GAM时，将z轴值归一化到[0，1]

我刚完成使用mgcv程序包（我将称这个模型为gam1.5）来完成拟合GAM。我一直在玩vis.gam函数，我有一个问题，我一直无法解决。我想标准化我的模型的拟合值，所以当我使用vis.gam时，z轴的限制为[0，1]。我的想法就是将正常化公式在我的GAM模型的$fitted.values如下： gam1.5$fitted.values<-(gam1.5$fitted.values-min(ga

1热度

1回答

如何获取ggplot2 :: geom_smooth曲线后面的数据？

借此例如： ggplot(iris,aes(Sepal.Width,Sepal.Length)) + geom_smooth() 如何获取用于绘制这个蓝色曲线x和y？这个案例将自动计算出loess，我的实际案例自动计算为gam。我想：与gam功能重现它探索剧情对象，并没有与任何

1热度

1回答

提取GAM模型对象

假设我做这个创造我的GAM模型： a <- runif(10) b <- runif(10) gm <- gam(a ~ ns(b, df=2)) plot(gm, all.terms=T, shade=T) 然后我得到下面的情节：我需要的是能够访问的gm的元素，在什么为了获得包含以红色突出显示的点的列表或数据框。通过查看summary(gm)和names(gm)的输出，我无法找到包

0热度

1回答

广义相加模型 - Python

我正在尝试使用广义相加模型拟合非线性模型。如何确定要使用的样条线数量。是否有特定的方式来选择样条的数量？我已经使用了三阶（立方）样条拟合。以下是代码。 from pygam import LinearGAM from pygam.utils import generate_X_grid # Curve fitting using GAM model - Penalised spline cu

2热度

1回答

我可以通过GAMM估算R中的时变季节效应吗？

我想用广义加模型来调查R.时间序列数据我的数据是月度，我想估计季节效应和较长的运行趋势的影响。我跟随由加文·辛普森一些有用的帖子here和here：我的数据是这样的：我有充分的数据集可在我的github上page：我有试图用流畅的季节性走势来看指定一个广义相加模型如下： df <- read.csv('trips.csv') head(df) # A tibble: 27