Question

我正在尝试重现Hastie等人（2008）的“统计学习要素”的图5.4（第147页）的左上图。

这样做很容易：

library(splines)
library(gam)
sa=read.table("http://www-stat.stanford.edu/~tibs/ElemStatLearn/datasets/SAheart.data",
    sep=",",head=T,row.names=1)
mdl=glm(chd~ns(sbp,4)+ns(tobacco,4)+ns(ldl,4)+famhist+ns(obesity,4)+ns(age,4),data=sa,family=binomial())
plot.gam(mdl,terms="ns(sbp, 4)")

给出了所需的情节。

但是，如果我尝试直接应用我对该方法的粗略理解：

xvar=seq(min(sa$sbp),max(sa$sbp),length.out=200)
basis=ns(xvar,4)
sbpnames=c("ns(sbp, 4)1",  "ns(sbp, 4)2",  "ns(sbp, 4)3",  "ns(sbp, 4)4")
plot(xvar,basis%*%mdl$coef[sbpnames],type="l")

情节不一样。谁会知道为什么会这样？所有反馈都非常赞赏。

Answer 1

我认为他们以y值的不同价值观为中心的事实与西蒙伍德在上周回答R-help的问题有关。关于在gam的公式中使用'+ 0'的含义，以及（希望这是一个相当准确的摘要......）{} {}}假设spline拟合具有其Intercept值的问题从拟合值中减去。我认为他会为绘制例程做出类似的假设。他基本上暗示添加+0只会让事情变得混乱，并建议不要这样做。

“水平移位”与选择结点位置以产生结点位置的相等分位数并且您的“新数据”均匀分布在血压范围内的事实有关，而原始数据是右倾斜的中位数在不同的位置。这是ns函数的效果，如果您为两次运行指定了相同的结，则可以“修复”。

使用ns（）进行样条预测

1 个答案: