17

我正在使用 GAM 对逻辑回归中的时间趋势进行建模。但是我想从中提取拟合的样条曲线以将其添加到另一个模型中，该模型无法在 GAM 或 GAMM 中进行拟合。

因此我有两个问题：

  1. 如何随着时间的推移拟合平滑器，以便我强制一个结位于特定位置，同时让模型找到其他结？

  2. 如何从拟合的 GAM 中提取矩阵，以便可以将其用作不同模型的插补？

我运行的模型类型如下：

gam <- gam(mortality.under.2~ maternal_age_c+ I(maternal_age_c^2)+
           s(birth_year,by=wealth2) + wealth2 + sex +
           residence + maternal_educ + birth_order,
           data=colombia2, family="binomial")

我已经阅读了 GAM 的大量文档，但我仍然不确定。任何建议都非常感谢。

4

1 回答 1

38

有mgcv::gam一种方法可以做到这一点（你的 Q2），通过 predict.gam方法和type = "lpmatrix".

?predict.gam甚至有一个例子，我在下面复制：

 library(mgcv)
 n <- 200
 sig <- 2
 dat <- gamSim(1,n=n,scale=sig)

 b <- gam(y ~ s(x0) + s(I(x1^2)) + s(x2) + offset(x3), data = dat)

 newd <- data.frame(x0=(0:30)/30, x1=(0:30)/30, x2=(0:30)/30, x3=(0:30)/30)

 Xp <- predict(b, newd, type="lpmatrix")

 ##################################################################
 ## The following shows how to use use an "lpmatrix" as a lookup 
 ## table for approximate prediction. The idea is to create 
 ## approximate prediction matrix rows by appropriate linear 
 ## interpolation of an existing prediction matrix. The additivity 
 ## of a GAM makes this possible. 
 ## There is no reason to ever do this in R, but the following 
 ## code provides a useful template for predicting from a fitted 
 ## gam *outside* R: all that is needed is the coefficient vector 
 ## and the prediction matrix. Use larger `Xp'/ smaller `dx' and/or 
 ## higher order interpolation for higher accuracy.  
 ###################################################################

 xn <- c(.341,.122,.476,.981) ## want prediction at these values
 x0 <- 1         ## intercept column
 dx <- 1/30      ## covariate spacing in `newd'
 for (j in 0:2) { ## loop through smooth terms
   cols <- 1+j*9 +1:9      ## relevant cols of Xp
   i <- floor(xn[j+1]*30)  ## find relevant rows of Xp
   w1 <- (xn[j+1]-i*dx)/dx ## interpolation weights
   ## find approx. predict matrix row portion, by interpolation
   x0 <- c(x0,Xp[i+2,cols]*w1 + Xp[i+1,cols]*(1-w1))
 }
 dim(x0)<-c(1,28) 
 fv <- x0%*%coef(b) + xn[4];fv    ## evaluate and add offset
 se <- sqrt(x0%*%b$Vp%*%t(x0));se ## get standard error
 ## compare to normal prediction
 predict(b,newdata=data.frame(x0=xn[1],x1=xn[2],
         x2=xn[3],x3=xn[4]),se=TRUE)

这贯穿了整个过程，甚至是在 R 或 GAM 模型之外完成的预测步骤。您将不得不稍微修改示例以执行您想要的操作，因为示例评估模型中的所有项，并且除了样条之外您还有另外两个项 - 本质上您执行相同的操作，但仅针对样条项，即涉及Xp为样条找到矩阵的相关列和行。然后您还应该注意样条曲线居中，因此您可能也可能不想撤消它。

xn对于您的 Q1，请为示例中的向量/矩阵选择适当的值。这些对应于n模型中第 th 项的值。因此，将您想要固定的值设置为某个平均值，然后改变与样条相关的值。

如果您在R 中执行所有这些操作，则仅在样条协变量的值处评估样条曲线会更容易，您拥有的数据将进入另一个模型。您可以通过创建一个数据框来进行预测，然后使用

predict(mod, newdata = newdat, type = "terms")

其中mod是拟合的 GAM 模型（通过mgcv::gam），newdat是包含模型中每个变量的列的数据框（包括参数项；将您不想改变的项设置为某个恒定的平均值 [比如数据集中的变量] 或某个水平（如果是一个因素）。该部分将为模型中的每个项（包括样条项）的拟合值的“贡献”type = "terms"返回每一行的矩阵。newdat只需取对应于样条线的矩阵列 - 再次居中。

也许我误解了你的 Q1。如果您想控制结，请参阅 的knots参数mgcv::gam。默认情况下，mgcv::gam在数据的极端放置一个结，然后剩余的“结”均匀分布在该区间上。mgcv::gam没有找到结 - 它为您放置它们，您可以通过knots参数控制它放置它们的位置。

于 2013-03-23T14:17:44.063 回答