R 在自适应平滑中提取P样条的节点、基、系数和预测
我使用mgcv软件包通过以下方式将一些多项式样条拟合到一些数据:R 在自适应平滑中提取P样条的节点、基、系数和预测,r,spline,mgcv,R,Spline,Mgcv,我使用mgcv软件包通过以下方式将一些多项式样条拟合到一些数据: x.gam <- gam(cts ~ s(time, bs = "ad"), data = x.dd, family = poisson(link = "log")) x.gam我没有您的数据,因此我从?adaptive.smooth中选取以下示例,向您展示在哪里可以找到您想要的信息。注意,尽管该示例针对的是高斯数据而不是泊松数据,但只有链接函数不同;其余的
x.gam <- gam(cts ~ s(time, bs = "ad"), data = x.dd,
family = poisson(link = "log"))
x.gam我没有您的数据,因此我从?adaptive.smooth
中选取以下示例,向您展示在哪里可以找到您想要的信息。注意,尽管该示例针对的是高斯数据而不是泊松数据,但只有链接函数不同;其余的都是标准的
x <- 1:1000/1000 # data between [0, 1]
mu <- exp(-400*(x-.6)^2)+5*exp(-500*(x-.75)^2)/3+2*exp(-500*(x-.9)^2)
y <- mu+0.5*rnorm(1000)
b <- gam(y~s(x,bs="ad",k=40,m=5))
结:
平滑$knots
提供节点的位置
> smooth$knots
[1] -0.081161 -0.054107 -0.027053 0.000001 0.027055 0.054109 0.081163
[8] 0.108217 0.135271 0.162325 0.189379 0.216433 0.243487 0.270541
[15] 0.297595 0.324649 0.351703 0.378757 0.405811 0.432865 0.459919
[22] 0.486973 0.514027 0.541081 0.568135 0.595189 0.622243 0.649297
[29] 0.676351 0.703405 0.730459 0.757513 0.784567 0.811621 0.838675
[36] 0.865729 0.892783 0.919837 0.946891 0.973945 1.000999 1.028053
[43] 1.055107 1.082161
注意,在[0,1]
的每一侧之外放置三个外部节点以构造样条线基础
基本类
attr(平滑,“类”)
告诉您样条曲线的类型。正如您可以从?adaptive.smooth
中读取的,对于bs=ad
,mgcv
使用P样条曲线,因此您可以得到“pspline.smooth”
mgcv
使用二阶pspline,您可以通过检查差分矩阵平滑$D
来验证这一点。下面是一个快照:
> smooth$D[1:6,1:6]
[,1] [,2] [,3] [,4] [,5] [,6]
[1,] 1 -2 1 0 0 0
[2,] 0 1 -2 1 0 0
[3,] 0 0 1 -2 1 0
[4,] 0 0 0 1 -2 1
[5,] 0 0 0 0 1 -2
[6,] 0 0 0 0 0 1
系数
您已经知道,b$系数
包含模型系数:
beta <- b$coefficients
基础矩阵/模型矩阵/线性预测矩阵(lpmatrix)
您可以从以下位置获取模型矩阵:
mat <- predict.gam(b, type = "lpmatrix")
第一列全部为1,表示截距。而s(x).1
建议s(x)
的第一个基函数。如果要查看单个基函数的外观,可以针对变量绘制一列mat
。例如:
plot(x, mat[, "s(x).20"], type = "l", main = "20th basis")
线性预测值
如果要手动构造拟合,可以执行以下操作:
pred.linear <- mat %*% beta
x.gam$family$linkinv(x.gam$linear.predictors)
响应/拟合值
对于非高斯数据,若你们想得到响应变量,你们可以对线性预测器应用反向链接函数映射回原始比例
族信息存储在gamObject$Family
中,gamObject$Family$linkinv
是反向链接函数。上述示例肯定会为您提供标识链接,但对于您安装的对象x.gam
,您可以执行以下操作:
pred.linear <- mat %*% beta
x.gam$family$linkinv(x.gam$linear.predictors)
注意这与x.gam$fitted
相同,或
predict.gam(x.gam, type = "response").
其他链接
我刚刚意识到以前有很多类似的问题
对于predict.gam(,type='lpmatrix')
来说,这非常好
是关于predict.gam(,type='terms')
但是无论如何,最好的参考总是?predict.gam
,它包括大量的例子。它没有说它是使用bsplines还是psplines,以及在后一种情况下它们的顺序是什么Hey Zheyuan,这是一个很好的答案,我只是在接受它之前填补了空白。你能告诉我基的数学形式是什么吗?
x.gam$family$linkinv(x.gam$linear.predictors)
predict.gam(x.gam, type = "response").