我正在使用GAM在Logistic回归中对时间趋势进行建模。但是我想从中提取拟合的样条，以将其添加到GAM或GAMM中无法拟合的另一个模型中。
因此，我有两个问题：
如何随着时间的推移安装更平滑的零件，以使一个结位于特定位置，同时让模型查找其他结？
如何从拟合的GAM中提取矩阵，以便可以将其用作其他模型的估算值？
我正在运行的模型类型为以下形式：
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的详尽文档，但仍不确定。
任何建议都非常感谢。
最佳答案
在mgcv::gam中，可以通过predict.gam方法和type = "lpmatrix"来执行此操作（您的Q2）。?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)
这甚至要经过整个过程，甚至是要在R或GAM模型之外完成的预测步骤。您将需要对示例进行一些修改以执行所需的操作，因为该示例评估了模型中的所有项，并且除了样条线外还有其他两个项–本质上，您执行相同的操作，但仅针对样条线项，涉及找到样条线的
Xp矩阵的相关列和行。然后，您还应该注意，样条线居中，因此您可能会也可能不想撤消该操作。对于Q1，在示例中为
xn向量/矩阵选择适当的值。这些对应于模型中第cc项的值。因此，将要固定的值设置为某个平均值，然后更改与样条曲线关联的值。如果您在R中执行所有这些操作，则仅使用样条协变量的值来评估样条就容易得多，因为该样条协变量的数据已进入另一个模型。您可以通过创建一个数值框架来进行预测，然后使用
predict(mod, newdata = newdat, type = "terms")
其中，
n是拟合的GAM模型（通过mod），mgcv::gam是数据帧，其中包含该模型中每个变量的列（包括参数项；设置您不想更改的项）常数平均值（例如，数据集中变量的平均值）或一定水平（如果有因素的话）。 newdat部分将为type = "terms"中的每一行返回一个矩阵，并对模型中每个项（包括样条项）的拟合值“贡献”。只需取该矩阵对应于样条线的列-再次将其居中即可。也许我误解了你的Q1。如果要控制结，请参见
newdat的knots参数。默认情况下，mgcv::gam在数据的极端处打一个结，然后剩余的“结”在时间间隔内均匀分布。 mgcv::gam找不到结-它为您放置了结，您可以通过mgcv::gam参数控制将结放置在何处。关于r - 如何从GAM(`mgcv::gam`)中提取拟合的样条曲线，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/15584541/