Чи можливо встановити GAMM (Узагальнену аддитивну змішану модель) для даних, що завищують нуль у R?
Якщо ні, то чи можна встановити GAM (Узагальнену модель добавок) для нульових завищених даних з негативним біноміальним або квазі-розподілом Пуассона в R? (Я знайшов COZIGAM :: zigam і mgcv: ziP функції для розповсюдження Пуассона)
Відповіді:
Окрім mgcv та його нульових завищених сімей Пуассона ( ziP()та ziplss()), ви також можете подивитися на пакет Brms від Paul-Christian Bürkner. Він може відповідати моделям розподілу (де ви моделюєте більше, ніж просто середнє; у вашому випадку компонент нульової інфляції моделі можна моделювати як функцію коваріатів так само, як функцію підрахунку).
Ви можете включати гладкі в будь-який з лінійних предикторів (для середнього / підрахунку, нульової частини інфляції тощо) через s()та t2()умови для простих 1-d або ізотропних 2-d сплайнів, або анізотропних тензорних сплайнів відповідно. Він підтримує нульовий надутий біноміальний, пуассонський, негативний біноміальний та бета-розподіл, плюс бета-роздутий бета-розподіл. Він також має моделі перешкод для Пуассона та негативних біноміальних відповідей (де частина рахункової моделі є усіченим розподілом, щоб не створювати більше нульових підрахунків).
brms підходить для цих моделей за допомогою STAN , тому вони повністю байєсівські, але для цього потрібно буде вивчити новий набір інтерфейсів для отримання відповідної інформації. Однак, існує декілька пакунків, що пропонують функції підтримки саме для цього завдання, а в brms є написані допоміжні функції, які використовують ці вторинні пакети. Вам потрібно встановити STAN, і вам знадобиться компілятор C ++, оскільки brms збирає модель, як визначено, використовуючи R в код STAN для оцінки.
Цей glmmTMBпакет пропонує це і описується в недавньому документі bioRxiv: Brooks et al. (2017). Моделювання даних зglmmTMB нульовим наказом з , bioRxiv, doi: 10.1101 / 132753 .
У Гевіна Сімпсона також є приємна публікація в блозі, яка порівнюється glmmTMBз mgcvцією метою: кількість пристосованих і нульове завищене число GLMM з mgcv .
brmsщо вказуєте на те, що дійсно дуже приємно та гнучко. Разом з Нікі Умлауф я також планував записати кілька сімей для підрахунку, bamlssщоб отримати додаткові функції гнучкої регресії ... але поки що нам не вдалося підрахувати розподіл даних.