我正在使用GAM对逻辑回归中的时间趋势进行建模。然而,我想从中提取拟合样条曲线,将其添加到另一个模型中,不能用于GAM或GAMM。
因此我有两个问题:
如何在一段时间内让一个结更顺畅,以便在让模特找到其他结点的同时强迫一个结处于特定位置?
如何从拟合的GAM中提取矩阵,以便我可以将其用作不同模型的估算?
我运行的模型类型如下:
gam <- gam(mortality.under.2~ maternal_age_c+ I(maternal_age_c^2)+
s(birth_year,by=wealth2) + wealth2 + sex +
residence + maternal_educ + birth_order,
data=colombia2, family="binomial")
我已经阅读了GAM的大量文档,但我仍然不确定。 任何建议都非常感谢。
答案 0 :(得分:26)
在mgcv::gam
中,有一种方法可以通过predict.gam
方法和type = "lpmatrix"
完成此操作(您的Q2)。
?predict.gam
甚至有一个例子,我在下面重现:
library(mgcv)
n <- 200
sig <- 2
dat <- gamSim(1,n=n,scale=sig)
b <- gam(y ~ s(x0) + s(I(x1^2)) + s(x2) + offset(x3), data = dat)
newd <- data.frame(x0=(0:30)/30, x1=(0:30)/30, x2=(0:30)/30, x3=(0:30)/30)
Xp <- predict(b, newd, type="lpmatrix")
##################################################################
## The following shows how to use use an "lpmatrix" as a lookup
## table for approximate prediction. The idea is to create
## approximate prediction matrix rows by appropriate linear
## interpolation of an existing prediction matrix. The additivity
## of a GAM makes this possible.
## There is no reason to ever do this in R, but the following
## code provides a useful template for predicting from a fitted
## gam *outside* R: all that is needed is the coefficient vector
## and the prediction matrix. Use larger `Xp'/ smaller `dx' and/or
## higher order interpolation for higher accuracy.
###################################################################
xn <- c(.341,.122,.476,.981) ## want prediction at these values
x0 <- 1 ## intercept column
dx <- 1/30 ## covariate spacing in `newd'
for (j in 0:2) { ## loop through smooth terms
cols <- 1+j*9 +1:9 ## relevant cols of Xp
i <- floor(xn[j+1]*30) ## find relevant rows of Xp
w1 <- (xn[j+1]-i*dx)/dx ## interpolation weights
## find approx. predict matrix row portion, by interpolation
x0 <- c(x0,Xp[i+2,cols]*w1 + Xp[i+1,cols]*(1-w1))
}
dim(x0)<-c(1,28)
fv <- x0%*%coef(b) + xn[4];fv ## evaluate and add offset
se <- sqrt(x0%*%b$Vp%*%t(x0));se ## get standard error
## compare to normal prediction
predict(b,newdata=data.frame(x0=xn[1],x1=xn[2],
x2=xn[3],x3=xn[4]),se=TRUE)
整个过程甚至是在R或GAM模型之外进行的预测步骤。您将不得不稍微修改示例以执行您想要的操作,因为示例会评估模型中的所有项,并且除了样条线之外还有两个其他项 - 基本上您执行相同的操作,但仅适用于样条项,涉及为样条曲线找到Xp
矩阵的相关列和行。然后你还应该注意到样条曲线是居中的,所以你可能也可能不想撤消它。
对于Q1,请在示例中为xn
向量/矩阵选择合适的值。这些对应于模型中n
项的值。因此,将您想要固定的值设置为某个平均值,然后改变与样条曲线相关的值。
如果你在 R中执行所有这些,那么只是在样条协变量的值处评估样条曲线会更容易,因为样条曲线的变量将进入另一个模型。您可以通过创建预测值的数据框来实现,然后使用
predict(mod, newdata = newdat, type = "terms")
其中mod
是拟合的GAM模型(通过mgcv::gam
),newdat
是包含模型中每个变量的列的数据框(包括参数项;设置术语你不想改变一些常数平均值[比如数据集中变量的平均值]或某个因子的某个水平)。 type = "terms"
部分将为newdat
中的每一行返回一个矩阵,其中“贡献”为模型中每个项的拟合值,包括样条项。只需获取与样条曲线相对应的此矩阵的列 - 再次将其居中。
也许我误解了你的Q1。如果要控制结,请参阅knots
的{{1}}参数。默认情况下,mgcv::gam
在数据的极值处放置一个结,然后剩余的“结”在该间隔上均匀分布。 mgcv::gam
找不到结 - 它会将它们放置给您,您可以通过mgcv::gam
参数控制放置它们的位置。