R 黄土.光滑，光滑.样条曲线和更多x变量的sm.回归

我想用几个x值（x1，x2，x3，x4，x5，x6）来预测y。线性模型非常简单，但我不知道如何使用黄土、光滑、光滑样条曲线和sm回归，以及更多的x变量。我尝试使用数据集或矩阵作为x，但这种方法不起作用

x

是一个矩阵700x6，而

y

是一个700个元素的数组

sm1=sm.regression(x, y, h=0.5, add=F, ngrid=300, display="none")

sm检查数据中的错误（x=x，y=y，权重=权重，组=组， ：x的列太多

无单纯形（y，x，w，跨度，度，假，假，规格化=假，： 外部函数调用中的NA/NaN/Inf（arg 1）

我检查过了，x中没有任何NA、Nan或Inf

ss1=smooth.spline(x,y, spar=0.5)

xy.coords（x，y）中的错误：'x'和'y'长度不同

---

这些函数更简单，设计用于一对

x

和

y

变量。存在合适的替代方案，例如以两个名为

gam（）的函数的形式

，一个在包mgcv中，它随R一起作为推荐包，另一个在包gam中，它是S-PLUS中gam软件（

gam（）

）的R版本，是继Hastie&Tibshirani的广义相加模型（gam）上的“mono”图之后的原始实现

---

这两种模型都适用于所谓的加法模型，其中主要假设是模型中的术语对拟合响应的贡献是额外的。如果您希望GAM中基于黄土的平滑，请尝试packageGAM，但是mgcv具有更大范围的惩罚回归样条线，并且具有更现代的平滑方法在单个样条曲线中选择ss。

前两个不起作用，我不认为。从

sm.回归

docs:x是一个向量，或两列矩阵，共变量值。

leuch.smooth

用于从更平滑的曲线生成曲线。同样，从docs:Plot开始，将由leuch计算的平滑曲线添加到散点图中。我不确定

smooth.spline

。查看数据集的样本（例如

dput（head（data））会有所帮助

。你可能需要先弄清楚你的策略，如果你希望得到帮助，那么你应该发布一个数据示例。有很多回归方法支持样条曲线或局部估计曲面的预测，但因此要求你在发布之前仔细研究这些细节。如果你描述我的n更详细地描述你需要什么，而不是描述什么不起作用。

ss1=smooth.spline(x,y, spar=0.5)