廣義加性模型GAM

1、你這也沒分析啊，就是用 head 命令把前 6 行輸出出來了。你是說你用廣義加性模 型 gam gam(formula,family=gaussian(),data=list(),weights=NULL,subset=NULL,na.action,offset=NULL,method="GCV .Cp",optimizer=c("outer","newton"),control=list(),scale=0,select=FALSE,knots=NULL,sp=NULL,min.sp=NULL,H=NULL,gamma=1,fit=

2、TRUE,paraPen=NULL,G=NULL,in.out,.)1. formula ： GAM 的公式2. family ：服從的分布3. data ：所需的一個(gè)數(shù)據(jù)框或列表包含模型響應(yīng)變量，協(xié)變量4. weights ：現(xiàn)有的數(shù)據(jù)上的權(quán)重5. subset ：可以使用的觀測(cè)值的一個(gè)子集。6. na.action ：一個(gè)函數(shù)，它表示時(shí)會(huì)發(fā)生什么數(shù)據(jù)包含“NA”。7. offset ：模型偏移量8. control ：控制參數(shù)，以取代默認(rèn)值返回 gam.control9. method ：平滑參數(shù)估計(jì)方法10. optimizer ：指定的數(shù)值優(yōu)化方法11. scale ：如果這是正的，尺

3、度參數(shù)；負(fù)的，規(guī)模參數(shù)未知。0 說明是泊松分布和二項(xiàng)分布和未知的，否則，尺度參數(shù)為 1。12. select ：如果這是 TRUE 然后 gam 可以添加一個(gè)額外的懲罰變量，以每學(xué)期， 以便它可以被扣分零。這意味著平滑參數(shù)估計(jì)是擬合的一部分的，可以完全除去從模型中的條款。如果相應(yīng)的平滑參數(shù)估計(jì)值為零，那么額外的懲罰沒有任何效果。 下面是一個(gè)例子Family: gaussianLink function: identityFormula:y s(x0) + s(x1) + s(x2) + s(x3)Parametric coefficients:Estimate Std. Error t val

4、ue Pr(>|t|) # 線性變量的回歸系數(shù)和顯著性檢驗(yàn)結(jié)果(Intercept) 7.83328 0.09878 79.3 <2e-16 *p 值< 0.05 ，沒有通過原假設(shè)，有顯著的統(tǒng)計(jì)意義。Signif. codes: 0 * ' 0.001 * ' 0.01 * ' 0.05 . ' 0.1 ' 1#曲線擬合的結(jié)果Approximate significance of smooth terms:edf Ref.df F p-value s(x0) 2.500 3.115 6.921 0.000128 * s(x1) 2.401 2.984 81.914 < 2e-16 * s(x2) 7.698 8.564 88.029 < 2e-16 * s(x3) 1.000 1.000 4.343 0.037806 * p 值 0.05 ，沒有通過原假設(shè)，有顯著的統(tǒng)計(jì)意義。1 大，則表示為曲線關(guān)理論上，當(dāng)自由度接近 1 時(shí)，表示是線性關(guān)系；當(dāng)自由度比Signif. codes: 0 * ' 0.0010.010.05 . ' 0.1 ' 1R-sq.(adj) = 0.715 Deviance explained = 72.5%GCV = 4.0505 Scal