有谁知道如何在 R 中使用 Tweedie 进行逐步回归？
我找到了这个mgcv包，它显然将 Tweedie 的功率参数视为另一个要估计的参数。这似乎比必须使用tweedie.profile估计 之外的功率有所改进glm，因此使用自动逐步函数进行回归似乎令人鼓舞。但我无法弄清楚该软件包是否还提供逐步功能。包装手册有这样的说法。
我在谈论平滑时迷失了方向：
包 mgcv 中没有 step.gam。
为了促进全自动模型选择，该包实现了两种平滑修改技术，可用于将平滑缩小到零作为平滑选择的一部分。
我会很感激你的帮助。谢谢。
您的问题并非特定于“Tweedie”系列；这是模型选择中的一般mgcv特征。
mgcv不step.gam用于模型选择。我认为您的困惑来自另一个包gam，它将用于step.gam顺序添加/删除一个术语并报告 AIC。当你进去?step.gam的时候mgcv，它指的是你?gam.selection。?step.gam故意留在那里，以防人们搜索它。但所有细节都在?gam.selection.
没有必要step.gam在mgcv. 模型估计和模型选择集成在mgcv. 对于惩罚回归/平滑样条曲线，当平滑参数趋于无穷大（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，如果我们指定一个模型，如：
y ~ s(x1, bs = 'cr') + s(x2, bs = 'cr')
whiles(x2)是一个虚假的模型项，不应包含在模型中，然后mgcv:::gam/bam会缩小s(x2)到x2估计后，从而产生如下模型：
y ~ s(x1) + x2
这意味着，当您用于plot.gam()检查每个模型项的估计平滑函数时，s(x1)它是一条曲线，但却s(x2)是一条直线。
现在这并不完全令人满意。对于一个完整的、成功的模型选择，我们也想下降x2，即缩小s(x2)到 0，以获得符号上的模型：
y ~ s(x1)
但这并不难实现。我们可以使用收缩平滑类bs = 'ts'（收缩薄板回归样条，相对于普通的tp）或bs = cs'（收缩三次回归样条，相对于普通的'cr'），并且mgcv:::gam/bam应该能够收缩s(x2)到0。这背后的数学，就是mgcv将线性项（即零空间）的特征值从0修改为0.1，一个很小但为正的数字，以便对线性项进行惩罚。结果，当你这样做时plot.gam()，你会看到s(x2)0 处的水平线。
bs = 'cs'或者bs = 'ts'应该投入使用s()；还mgcv可以让你离开bs = 'cr'或bs = 'tp'原封不动地放入s()，而select = TRUE放入gam()或bam()。是一种更通用的select = TRUE处理方法，因为收缩平滑目前只有 classcs和ts，而select = TRUE适用于所有类型的平滑规范。它们基本上做同样的事情，将 0 特征值增加到 0.1。
以下示例取自 下的示例?gam.selection。请注意如何select = TRUE将几个项缩小到 0，从而提供信息丰富的模型选择。
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)
请注意，p-valuesinsummary.gam()也为这种选择提供了证据：
Approximate significance of smooth terms:
edf Ref.df Chi.sq p-value
s(x0) 1.7655119 9 5.264 0.0397 *
s(x1) 1.9271039 9 65.356 <2e-16 ***
s(x2) 6.1351372 9 156.204 <2e-16 ***
s(x3) 0.0002618 9 0.000 0.4088
s(x4) 0.0002766 9 0.000 1.0000
s(x5) 0.1757146 9 0.195 0.2963
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
R-sq.(adj) = 0.545 Deviance explained = 51.6%
-REML = 430.78 Scale est. = 1 n = 200