我目前正在尝试使用x包中的协变量gamm（年龄）和性别0-1变量与mgcv之间的互动进行建模。在为每个性别指定一个具有平滑术语的主模型（让我们称之为M0）后，我想测试一个更简单的假设，即性别之间的差异是线性的（而不是任意平滑）。我有以下两个问题：
M0中获得0-性别平滑的平滑参数，并在更简单的模型规范中使用它。但是我收到以下错误消息：gamm.setup出错（gp，pterms = pTerms，data = mf，knots = knots，parametric.only = FALSE，：
gamm无法处理链接的平滑参数（可能来自使用`id'或自适应平滑）
下面是一个例子。我模拟了一些随机数据，因此数据不会显示我实际数据的行为，但问题仍然存在。
library(mgcv)
### Simulate random data
x <- rnorm(100, mean = 10, sd = 1.5)
y <- rnorm(100, mean = 1, sd = 0.025)
id <- sample(1:10, size = 100, replace = T)
id <- as.factor(id)
gender <- sample(c(0,1), size = 100, replace = T)
### Specify main model, M0
ctrl <- list(niterEM=0,optimMethod="L-BFGS-B", msMaxIter = 100)
M0 <- gamm(y~s(x, by = as.factor(gender)) + gender,
random=list(id=~1+x), control=ctrl)
### Specify model with linear difference between gender0 and gender1
M1 <- gamm(y~s(x) + gender:x + gender,
random=list(id=~1+x), control=ctrl)
### Testing
anova(M0$lme, M1$lme)
### Problems:
sp0 <- M0$gam$sp[1]
M1 <- gamm(y~s(x, sp = sp0) + gender:x + gender,
random=list(id=~1+x), control=ctrl)
gamm.setup出错（gp，pterms = pTerms，data = mf，knots = knots，parametric.only = FALSE，：
gamm无法处理链接的平滑参数（可能来自使用`id'或自适应平滑）
有什么想法？提前谢谢。
答案 0 :(得分：3)
gamm错误这是一件非常有趣的事情......好吧，我应该首先解释逻辑。
原则上在gamm 中修复平滑参数是违法的，因为gamm会将平滑的摇摆组件视为随机效果，其方差为由lme估算（因为你有高斯数据）。如果您尝试修复平滑参数，那基本上就是说要修复随机效果的方差。好吧，lme不允许你这样做（我怀疑这种尝试在混合建模中是否合法。）
因此gamm会禁用平滑参数的任何可能限制，包括：
min.sp; id; s()链接平滑共享相同的平滑参数
sp直接指定平滑参数，通过s()。前两个完美检查。 gamm没有像min.sp那样的gam参数;即使您通过...指定它，也不会被使用（因为在NULL期间传递给gam.setup的{{1}}之后，所以您的指定{{1}被忽略了）。您看到的错误消息也会检测到gamm.setup的规范，但当然您没有指定min.sp，因此上述错误并未在此处报告正确的问题，因此存在错误。
第三个，实际上并未通过id直接检查。理想情况下，只要id / gamm公式被解释（gamm），gam就应该重置为interpret.gam，如果不是，应发出关于此的警告信息。但是，这部分缺失了。因此，目前您可以做的最好的事情就是不指定sp。
现在让我们转向您对嵌套的关注。 嵌套与基础设置有关，而不是平滑参数的选择。只要您具有相同的基础集（相同的基础类型，相同数量和/或位置的“结”），模型矩阵将是相同的。例如，在您的模型-1和sp中，您具有与M0默认M1 s()相同的配置。因此mgcv的设计矩阵在两个模型中是相同的。 bs = 'tp', k = 10只会将此s()复制到主模型by = factor(gender)中s()的所有级别。也许它不容易看到，但实际上您的gender嵌套在M0。
让我们考虑一个小例子来验证这一点。为简单起见，我不会使用M1中的M0，而是使用s(x)（想象它是mgcv）。让我们先生成一些玩具数据：
poly(x, degree = 2)由于s(x)不是有序因子，x <- 1:10
f <- gl(2, 5, labels = c("M", "F"))
通过为f的所有级别复制s(x, by = factor(f))来生成设计矩阵：
s(x)您的第二个模型f只有一个平滑的术语## original design matrix for `s(x)`
X0 <- poly(x, 2)
## design matrix for `f`, without contrasting
Xf <- model.matrix(~ f + 0)
## design matrix for level `M`
X1 <- X0 * Xf[, 1]
## design matrix for level `F`
X2 <- X0 * Xf[, 2]
## design matrix for `s(x, by = f)` "please, imagine it as `poly`"
X <- cbind(X1, X2)
# 1 2 1 2
# [1,] -0.49543369 0.52223297 0.00000000 0.00000000
# [2,] -0.38533732 0.17407766 0.00000000 0.00000000
# [3,] -0.27524094 -0.08703883 0.00000000 0.00000000
# [4,] -0.16514456 -0.26111648 0.00000000 0.00000000
# [5,] -0.05504819 -0.34815531 0.00000000 0.00000000
# [6,] 0.00000000 0.00000000 0.05504819 -0.34815531
# [7,] 0.00000000 0.00000000 0.16514456 -0.26111648
# [8,] 0.00000000 0.00000000 0.27524094 -0.08703883
# [9,] 0.00000000 0.00000000 0.38533732 0.17407766
#[10,] 0.00000000 0.00000000 0.49543369 0.52223297
，其设计矩阵为M1。
以下是我们如何看待您的s(x)嵌套在X0中：
M1，M0和X1 + X2 = X0的设计矩阵具有相同的列范围，因此s(x)嵌套在s(x, by = f); s(x)嵌套在s(x, by = f)中，x嵌套在s(x)中。虽然您的模型已经很好地嵌套，但主模型x:f与您的s(x, by = f)没有相似的解释。您的主要模型M0最终将为每个级别提供一个独立的平滑，而您的M1则关注两个组之间的差异。
如果我们能够控制M0接受一种“参考平滑+差异平滑”的形式，那将是一件好事。然后，如果差异平滑变成一条线，而没有实际拟合M1，我们已经知道没有证据表明组之间存在非线性差异。
在M0中，如果您的因子是有序的，则将构建差异平滑。所以我建议你适合你的主要模型：
M1如果估算结果显示差异平滑mgcv为一条线，则您知道可以改为使用更简单的模型
gender1 <- ordered(gender) ## create an ordered factor
s(x) + s(x, by = gender1) + gender
即使不使用s(x, by = gender1)。
注意，为了构造“差异”平滑，有一个有序因子s(x) + gender:x + gender
是非常重要的。如果你这样做
F-test by和s(x) + s(x, by = gender) + gender ## note, it is "gender" in "by"
完全线性相关。生成的模型矩阵将排名不足。
我忘了在我的示例中包含我首先将AIC参数化为
s(x)和s(x, by = gender)的相同模型进行比较（回忆s(x, by = as.factor(gender))为0-1数值变量）。这些模型在统计上是等价的，但在这些情况下，平滑参数显然有不同的估计，因此AIC略有不同。
哦，是的。您的s(x) + s(x, by = gender)是二进制的，因此数字gender也是构建差异平滑的好主意。但要小心这样做。数字gender不会产生居中的光滑。因此，by将隐式地具有拦截列，与模型拦截混淆。你应该使用by。