R 分段包断点是可变的，在断点上查找标准错误

今天有两个问题：一个是关于使用

segmented

包创建分段回归，并在多次运行模型时获得不同的断点，第二个是关于查找断点的标准错误

加载和查看数据：

gbay<-data.frame(matrix(,nrow=46,ncol=3))
colnames(gbay)<-c("pop","cal.length","temp")

gbay$cal.length<-c(0.597, 0.834, 1.120, 1.353, 0.119, 1.301, 0.944, 3.127, 3.375, 3.171, 3.400, 3.376, 3.322, 3.785, 3.304, 3.197, 3.216,
 4.183, 2.171, 3.989, 3.187 ,4.153, 3.252, 4.960, 4.268, 4.827, 4.869, 3.932, 4.573, 4.645, 4.634, 4.713, 4.879, 4.724,
5.031, 4.746, 5.047, 5.714, 5.227, 4.701,4.280, 5.296, 4.977, 4.932, 4.374, 4.758)

gbay$temp<-c(16, 16, 16, 16, 16, 16, 16, 20, 20, 20, 20, 20, 20, 20, 20, 24, 24, 24, 24, 24, 24, 24, 24, 26, 26, 26, 26, 26, 26, 26, 28, 28, 28, 28,
28, 28, 28, 28, 28, 30, 30, 30, 30, 30, 30, 30)
gbay$pop<-gb

ggplot(gbay,aes(x=temp,y=cal.length))+geom_point()

2） 我试图从这个数据中提取断点（psi）的x和y分量。我成功地做到了这一点。但是，我也希望能够提取断点的x和y组件的错误。我认为模型给出了x分量的标准错误，但我想知道是否有办法在

分段
或其他包中找到断点的y分量中的错误

m.gbay<-glm(cal.length~temp,gbay,family=gaussian)
seg.gbay<-segmented(m.gbay,seg.Z = ~temp, psi=28)
xmin<-min(gbay$temp,na.rm=T)
xmax<-max(gbay$temp,na.rm=T)
predicted.gbay<-data.frame(temp=seq(xmin,xmax,length.out=100))
predicted.gbay$cal.length<-predict(seg.gbay,predicted.gbay)
predicted.gbay$pop<-"gb"

ggplot(predicted.gbay,aes(x=temp,y=cal.length))+geom_line(aes(x=temp,y=cal.length))+
  ylab("Shell Length (mm)")+xlab("Common Garden Temperature (°C)")

summary(seg.gbay)

breakpts<-data.frame(matrix(,nrow=1,ncol=4))
colnames(breakpts)<-c("brkptx","brkpty","x_err","y_err")

breakpts[1,1]<-seg.gbay$psi[[2]]
breakpts[1,2]<-(seg.gbay$psi[[2]]*coef(seg.gbay)[[2]])+(coef(seg.gbay)[[1]])
breakpts[1,3]<-seg.gbay$psi[[3]]

breakpts此数据集非常小，因此，如果您事先不知道更改点在哪里，则该数据集是不明确的。大多数现有的包只识别一个变更点，而没有量化它们通常奇怪的分布

我认为
mcp
包满足了您的需求。简单地说，您可以对后跟连接坡度的直线进行建模：

model = list(
  cal.length ~ 1 + temp,  # Line with intercept
  ~ 0 + temp  # Joined slope
)

现在让我们来适应它
family=gaussian（）
是隐式的。请注意，我设置了大量迭代和并行处理，因为在这种情况下，更改点的位置非常难以识别，因此需要进行大量工作来探索后面的问题：

library(mcp)
fit = mcp(model, data = gbay, iter = 100000, cores = 3)

plot(fit, q_fit = T, q_predict = T)

默认曲线图显示估计变化点的后验曲线（蓝线）。我们可以添加拟合区间（红色）和预测区间（绿色）。灰色线是来自后部的25个随机样本：

library(mcp)
fit = mcp(model, data = gbay, iter = 100000, cores = 3)

plot(fit, q_fit = T, q_predict = T)


如您所见，变化点的后部是双峰的。您还可以调用
plot\u pars（fit）
和
summary（fit）
查看有关各个参数的更多详细信息。如果要测试最早模式与第二模式的证据，可以使用
假设（fit，“cp_1<25”）
。如果您对可靠坡度、变更点位置等有先验知识，则可以使用，例如，
mcp（model，gbay，prior=list（cp_1=“dunif（0，25）”）
轻松添加

在和中阅读有关mcp的更多信息，包括安装说明。免责声明：我是
mcp
一些可能的澄清的作者：（1）
gbay$pop
未使用，因此您可以删除它，（2）记住
库（ggplot2）
和
库（分段）
，（3）无需执行
glm（…，family=gaussian（））
。这与
lm（…）
（4）可能要弄清楚“y中的错误”是什么意思？更改点是x轴上的一个位置。是预测的y中的不确定性吗？