R mgcv：如何使用Tweedie反应模型进行逐步回归？

有人知道如何用R中的Tweedie进行逐步回归吗

我找到了

mgcv

包，它显然将Tweedie的功率参数视为另一个需要估计的参数。这似乎改善了必须使用

tweedie.profile

来估计

glm

之外的功率，因此使用自动逐步函数进行回归似乎是令人鼓舞的。但是我还没有弄清楚这个包是否也提供了一个逐步的功能。包装手册中有这样一句话

我在谈论平滑时迷失了方向：

包mgcv中没有step.gam。
为了便于全自动模型选择，该软件包实现了两种平滑修改技术 作为平滑度选择的一部分，可用于将平滑度收缩为零

library(mgcv)
set.seed(3);n<-200
dat <- gamSim(1,n=n,scale=.15,dist="poisson") ## simulate data
dat$x4 <- runif(n, 0, 1);dat$x5 <- runif(n, 0, 1) ## spurious
b <- gam(y~s(x0)+s(x1)+s(x2)+s(x3)+s(x4)+s(x5),data=dat,
        family=poisson,select=TRUE,method="REML")
summary(b)
plot.gam(b,pages=1)

---

谢谢你的帮助。谢谢。

你的问题不是针对“Tweedie”家庭的；它是车型选择中的一项通用功能。mgcv。

mgcv

不使用

step.gam

进行型号选择。我认为您的困惑来自另一个包

gam

，它将使用

step.gam

顺序添加/删除术语并报告AIC。当您在

mgcv

中进入

？步骤gam

时，它会将您指向

？gam.选择

<代码>？step.gam故意放在那里，以防人们搜索它。但是所有的细节都在游戏选择中提供

无需在

mgcv

中执行

step.gam

。模型估计和模型选择集成在

mgcv

中，对于惩罚回归/平滑样条曲线，当平滑参数变为无穷大（非常大）时，其二阶导数被惩罚为零，留下一个简单的线性项。例如，如果我们指定如下模型：

y ~ s(x1, bs = 'cr') + s(x2, bs = 'cr')

y ~ s(x1) + x2

虽然

s（x2）

是一个虚假的模型术语，不应包含在模型中，但是

mgcv:：：gam/bam

在估计后将

s（x2）

收缩到

x2

，从而产生如下模型：

y ~ s(x1, bs = 'cr') + s(x2, bs = 'cr')

y ~ s(x1) + x2

这意味着，当使用

plot.gam（）

检查每个模型项的估计平滑函数时，

s（x1）

是一条曲线，而

s（x2）

是一条直线

现在这并不完全令人满意。对于一个完整、成功的模型选择，我们也希望将

x2

降到0，即将

s（x2）

缩小到0，以获得一个显著的模型：

y ~ s(x1)

但这并不难实现。我们可以使用收缩平滑类（收缩薄板回归样条线，与普通的

tp

相反）或

bs=cs'

（收缩三次回归样条线，与普通的'cr'相反），并且

mgcv:：gam/bam

应该能够将

s（x2）

收缩到0。这背后的数学原理是，

mgcv

将线性项（即零空间）的特征值从0修改为0.1，这是一个小而正的数字，因此惩罚对线性项生效。因此，当您执行

plot.gam（）

时，您将看到

s（x2）

在0处是一条水平线

bs='cs'

或

bs='ts'

应该放在函数

s（）

中；然而

mgcv

也允许您在

s（）

中保持

bs='cr'

或

bs='tp'

不变，但将

select=TRUE

放在

gam（）

或

bam（）

中。

select=TRUE

是一种更为普遍的处理方法，因为收缩平滑目前只有类

cs

和

ts

，而

select=TRUE

适用于所有类型的平滑规格。它们基本上做了相同的事情，将0特征值增加到0.1

以下示例取自

？gam.selection

下的示例。请注意，

select=TRUE

如何将多个术语收缩为0，从而提供信息性的模型选择

library(mgcv)
set.seed(3);n<-200
dat <- gamSim(1,n=n,scale=.15,dist="poisson") ## simulate data
dat$x4 <- runif(n, 0, 1);dat$x5 <- runif(n, 0, 1) ## spurious
b <- gam(y~s(x0)+s(x1)+s(x2)+s(x3)+s(x4)+s(x5),data=dat,
        family=poisson,select=TRUE,method="REML")
summary(b)
plot.gam(b,pages=1)

---

嗨，哲远。是的，非常有帮助，非常感谢。我需要坐下来了解这种平滑是如何工作的。快速提问：mgcv的Tweedie函数是否也具有Select=TRUE和Method=RELM功能？再次感谢您，您可以在gam中使用family=Tweedie，也可以使用Tweedie函数。还不确定他们之间的区别。这就是为什么我问SelectandMethod是否也可以在Tweedie中使用。但是你说的有道理，谢谢。啊，这是传给家人的，明白了，非常感谢。哲远。回答得好。请允许我问一些想法：在您的示例中，x3、x4（以及可能的x5？？）的系数已向零收缩，因此这类似于变量选择？。没有这些，你能重新安装这个模型吗？（在我的例子中，如果一个模型中的许多变量收缩到零，那么在一个模型中呈现所有这些零系数，我认为对于一个评审员来说是有问题的。