Question

致电本地回归和/或 R 的所有专家！

我在 R 中遇到了标准 loess 功能的限制，希望您有一些建议。当前的实现仅支持1-4个预测变量。让我列出我们的应用场景，以说明为什么一旦我们想要使用全局适合的参数协变量，这很容易成为一个问题。

基本上，我们在一些测量 z 上覆盖了空间失真 s（x，y）：

z_i = s(x_i,y_i) + v_{g_i}

这些测量 z 可以按照每组 g 的相同基础未失真测量值 v 进行分组。每个度量都知道组成员资格g_i，但组的基础未失真测量值v_g是未知的，应由（全局，而不是本地）回归确定。

我们需要估计二维空间趋势 s（x，y），然后我们要删除它们。在我们的应用程序中，假设在最简单的情况下，每组至少有35组测量值。测量随机放置。以第一组为参考，因此有19个未知偏移。

以下玩具数据代码（一维空间趋势 x ）适用于两个或三个偏移组。

不幸的是， loess 调用因四个或更多偏移组而失败，并显示错误消息

Error in simpleLoess(y, x, w, span, degree, parametric, drop.square,
normalize,  :
  only 1-4 predictors are allowed"

我尝试重写限制并获得

k>d2MAX in ehg136.  Need to recompile with increased dimensions.

这样做有多容易？我无法在任何地方找到 d2MAX 的定义，似乎这可能是硬编码的 - 错误显然是由 loessf.f

中的第1359行触发的

if(k .gt. 15)   call ehg182(105)

或者，是否有人知道可以在此处应用的全局（参数）偏移组的局部回归实现？

或者有更好的方法来解决这个问题吗？我尝试使用相关结构 lme ，但这似乎要慢得多。

非常感谢任何评论！

非常感谢，
大卫

###
#
# loess with parametric offsets - toy data demo
#

x<-seq(0,9,.1);
x.N<-length(x);

o<-c(0.4,-0.8,1.2#,-0.2  # works for three but not four
     );  # these are the (unknown) offsets
o.N<-length(o);
f<-sapply(seq(o.N),
          function(n){
            ifelse((seq(x.N)<= n   *x.N/(o.N+1) &
                    seq(x.N)> (n-1)*x.N/(o.N+1)),
                    1,0);
          });
f<-f[sample(NROW(f)),];

y<-sin(x)+rnorm(length(x),0,.1)+f%*%o;
s.fs<-sapply(seq(NCOL(f)),function(i){paste('f',i,sep='')});
s<-paste(c('y~x',s.fs),collapse='+');
d<-data.frame(x,y,f)
names(d)<-c('x','y',s.fs);

l<-loess(formula(s),parametric=s.fs,drop.square=s.fs,normalize=F,data=d,
         span=0.4);
yp<-predict(l,newdata=d);
plot(x,y,pch='+',ylim=c(-3,3),col='red');  # input data
points(x,yp,pch='o',col='blue');           # fit of that

d0<-d; d0$f1<-d0$f2<-d0$f3<-0;
yp0<-predict(l,newdata=d0);
points(x,y-f%*%o);     # spatial distortion
lines(x,yp0,pch='+');  # estimate of that

op<-sapply(seq(NCOL(f)),function(i){(yp-yp0)[!!f[,i]][1]});

cat("Demo offsets:",o,"\n");
cat("Estimated offsets:",format(op,digits=1),"\n");

Answer 1

为什么不为此使用添加剂模型？包 mgcv 将处理这种模型，如果我理解你的问题，就好了。我可能有这个错误，但你显示的代码与x~y有关，但你的问题提到z~s（x，y）+ g。我在gam()下面显示的内容是响应z，由x和y中的空间平滑建模，g以参数方式估算，{{1}存储为数据框中的因子：

或者我误解了你想要的东西？如果你想发布一小段数据，我可以使用 mgcv 来提供一个正确的例子......？

R中是否存在具有3个以上参数预测因子的黄土或具有类似效果的技巧？

1 个答案: