Przewidywanie losowych efektów w mgcv gam

Interesuje mnie modelowanie całkowitego połowu ryb za pomocą gam w mgcv do modelowania prostych efektów losowych dla poszczególnych statków (które odbywają wielokrotne podróże w czasie na łowisku). Mam 98 przedmiotów, więc pomyślałem, że użyję gam zamiast gamma do modelowania efektów losowych. Mój model to:

modelGOM <- gam(TotalFish ~ factor(SetYear) + factor(SetMonth) + factor(TimePeriod) +     
s(SST) + s(VesselID, bs = "re", by = dum) + s(Distance, by = TimePeriod) + 
offset(log(HooksSet)), data = GOM, family = tw(), method = "REML")

Zakodowałem losowy efekt za pomocą bs = "re" i by = dum (czytałem, że to pozwoli mi przewidzieć z efektami naczynia przy ich przewidywanych wartościach lub zero). „dum” jest wektorem 1.

Model działa, ale mam problemy z przewidywaniem. Wybrałem jeden z naczyń do prognoz (Vessel21) i średnie wartości dla wszystkiego innego oprócz predyktora zainteresowania prognozami (Odległość).

data.frame("Distance"=seq(min(GOM$Distance),max(GOM$Distance),length = 100),
                             "SetYear" = '2006',
                             "SetMonth" = '6',
                             "TimePeriod" = 'A',
                             "SST" = mean(GOM$SST),
                             "VesselID" = 'Vessel21', 
                             "dum" = '0', #to predict without vessel effect
                             "HooksSet" = mean(GOM$HooksSet))

pred_GOM_A_Swordfish <- predict(modelGOM, grid.bin.GOM_A_Swordfish, type = "response", 
se = T)

Występuje błąd:

Error in Predict.matrix.tprs.smooth(object, dk$data) : 
    NA/NaN/Inf in foreign function call (arg 1)
    In addition: Warning message:
    In Ops.factor(xx, object$shift[i]) : - not meaningful for factors

Myślę, że jest to wywoływane, ponieważ VesselID jest czynnikiem, ale używam go jako płynnego dla losowych efektów.

Udało mi się z powodzeniem przewidzieć za pomocą gam bez prostych efektów losowych (bs = „re”).

Czy możesz udzielić porady, jak przewidzieć ten model bez określenia VesselID (ale nadal uwzględniać go w dopasowaniu)?

Dziękuję Ci!

Od wersji 1.8.8 mgcv predict.gam zyskał excludeargument, który pozwala na zerowanie pojęć w modelu, w tym efekty losowe podczas przewidywania, bez sztuczki sztucznej, która została wcześniej zasugerowana.

• predict.gami predict.bamteraz zaakceptuj 'exclude'argument umożliwiający wyzerowanie terminów (np. efektów losowych) w celu przewidywania. Dla skuteczności, gładka warunki nie w termslub excludenie są już ocenione, a zamiast tego są ustawione na zero lub nie powrócił. Zobaczyć ?predict.gam.

library("mgcv")
require("nlme")
dum <- rep(1,18)
b1 <- gam(travel ~ s(Rail, bs="re", by=dum), data=Rail, method="REML")
b2 <- gam(travel ~ s(Rail, bs="re"), data=Rail, method="REML")

head(predict(b1, newdata = cbind(Rail, dum = dum)))    # ranefs on
head(predict(b1, newdata = cbind(Rail, dum = 0)))      # ranefs off
head(predict(b2, newdata = Rail, exclude = "s(Rail)")) # ranefs off, no dummy

> head(predict(b1, newdata = cbind(Rail, dum = dum)))    # ranefs on
       1        2        3        4        5        6 
54.10852 54.10852 54.10852 31.96909 31.96909 31.96909  
> head(predict(b1, newdata = cbind(Rail, dum = 0)))      # ranefs off
   1    2    3    4    5    6 
66.5 66.5 66.5 66.5 66.5 66.5
> head(predict(b2, newdata = Rail, exclude = "s(Rail)")) # ranefs off, no dummy
   1    2    3    4    5    6 
66.5 66.5 66.5 66.5 66.5 66.5

Starsze podejście

Simon Wood użył następującego prostego przykładu, aby sprawdzić, czy to działa:

library("mgcv")
require("nlme")
dum <- rep(1,18)
b <- gam(travel ~ s(Rail, bs="re", by=dum), data=Rail, method="REML")
predict(b, newdata=data.frame(Rail="1", dum=0)) ## r.e. "turned off"
predict(b, newdata=data.frame(Rail="1", dum=1)) ## prediction with r.e

Który działa dla mnie. Również:

dum <- rep(1, NROW(na.omit(Orthodont)))
m <- gam(distance ~ s(age, bs = "re", by = dum) + Sex, data = Orthodont)
predict(m, data.frame(age = 8, Sex = "Female", dum = 1))
predict(m, data.frame(age = 8, Sex = "Female", dum = 0))

działa również.

Chciałbym więc sprawdzić, czy dane, które podajesz, są newdatatakie, jak myślisz, ponieważ problem może nie wynikać z VesselID- błąd pochodzi z funkcji, która zostałaby wywołana przez predict()wywołania w powyższych przykładach i Rail jest czynnikiem pierwszy przykład.