R 使用离散化时无法在mgcv中生成预测（离散=T）

我正在使用广义相加模型，使用随机站点级效果拟合模型，该模型在R的

mgcv

包中实现。我一直在使用函数

gam（）

进行拟合。但是，为了加快速度，我需要切换到

bam（）

框架，它与

gam（）

基本相同，但速度更快。我通过传递选项

bam（nthreads=N，discrete=T）

进一步加快了装配速度，其中

nthreads

是我机器上的磁芯数。然而，当我使用离散化选项，然后尝试用我的模型对新数据进行预测，同时忽略随机效应时，我得到了一个错误

下面是生成示例数据并再现错误的代码

library(mgcv)
#generate data.
N <- 10000
x <- runif(N,0,1)
y <- (0.5*x / (x + 0.2)) + rnorm(N)*0.1 #non-linear relationship between x and y.

#uninformative random effect.
random.x <- as.factor(do.call(paste0, replicate(2, sample(LETTERS, N, TRUE), FALSE)))


#fit models.
fit1 <- gam(y ~ s(x) + s(random.x, bs = 're')) #this one takes ~1 minute to fit, rest faster.
fit2 <- bam(y ~ s(x) + s(random.x, bs = 're'))
fit3 <- bam(y ~ s(x) + s(random.x, bs = 're'), discrete = T, nthreads = 2)

#make predictions on new data.
newdat <- data.frame(runif(200, 0, 1))
colnames(newdat) <- 'x'
test1 <- predict(fit1, newdata=newdat, exclude = c("s(random.x)"), newdata.guaranteed = T)
test2 <- predict(fit2, newdata=newdat, exclude = c("s(random.x)"), newdata.guaranteed = T)
test3 <- predict(fit3, newdata=newdat, exclude = c("s(random.x)"), newdata.guaranteed = T)

---

如何使用适合离散化的模型对新数据集进行预测？

newdata。gauranteed

似乎不适用于

bam（）

模型

discrete=TRUE

。你可以给mgcv的作者和维护者发电子邮件，把可复制的例子发给他，让他看看。请参见

？bug.reports.mgcv

你可能想要

名称（newdat）
Error in model.frame.default(object$dinfo$gp$fake.formula[-2], newdata) : 
  variable lengths differ (found for 'random.x')
In addition: Warning message:
'newdata' had 200 rows but variables found have 10000 rows