Można to zrobić za pomocą splajnowanych splajnów z ograniczeniami monotoniczności za pośrednictwem funkcji mono.con()
i pcls()
w pakiecie mgcv . Jest trochę do zrobienia, ponieważ te funkcje nie są tak przyjazne dla użytkownika gam()
, ale kroki pokazano poniżej, oparte głównie na przykładzie z ?pcls
, zmodyfikowane, aby pasowały do podanych przez Ciebie danych przykładowych:
df <- data.frame(x=1:10, y=c(100,41,22,10,6,7,2,1,3,1))
## Set up the size of the basis functions/number of knots
k <- 5
## This fits the unconstrained model but gets us smoothness parameters that
## that we will need later
unc <- gam(y ~ s(x, k = k, bs = "cr"), data = df)
## This creates the cubic spline basis functions of `x`
## It returns an object containing the penalty matrix for the spline
## among other things; see ?smooth.construct for description of each
## element in the returned object
sm <- smoothCon(s(x, k = k, bs = "cr"), df, knots = NULL)[[1]]
## This gets the constraint matrix and constraint vector that imposes
## linear constraints to enforce montonicity on a cubic regression spline
## the key thing you need to change is `up`.
## `up = TRUE` == increasing function
## `up = FALSE` == decreasing function (as per your example)
## `xp` is a vector of knot locations that we get back from smoothCon
F <- mono.con(sm$xp, up = FALSE) # get constraints: up = FALSE == Decreasing constraint!
Teraz musimy wypełnić obiekt, który przechodzi do pcls()
zawierającego szczegółowe informacje o ograniczonym modelu ograniczonym, który chcemy dopasować
## Fill in G, the object pcsl needs to fit; this is just what `pcls` says it needs:
## X is the model matrix (of the basis functions)
## C is the identifiability constraints - no constraints needed here
## for the single smooth
## sp are the smoothness parameters from the unconstrained GAM
## p/xp are the knot locations again, but negated for a decreasing function
## y is the response data
## w are weights and this is fancy code for a vector of 1s of length(y)
G <- list(X = sm$X, C = matrix(0,0,0), sp = unc$sp,
p = -sm$xp, # note the - here! This is for decreasing fits!
y = df$y,
w = df$y*0+1)
G$Ain <- F$A # the monotonicity constraint matrix
G$bin <- F$b # the monotonicity constraint vector, both from mono.con
G$S <- sm$S # the penalty matrix for the cubic spline
G$off <- 0 # location of offsets in the penalty matrix
Teraz możemy w końcu dokonać dopasowania
## Do the constrained fit
p <- pcls(G) # fit spline (using s.p. from unconstrained fit)
p
zawiera wektor współczynników dla funkcji bazowych odpowiadających splajnowi. Aby zwizualizować dopasowany splajn, możemy przewidzieć na podstawie modelu w 100 lokalizacjach w zakresie x. Robimy 100 wartości, aby uzyskać ładną, gładką linię na wykresie.
## predict at 100 locations over range of x - get a smooth line on the plot
newx <- with(df, data.frame(x = seq(min(x), max(x), length = 100)))
Do generowania przewidywanych wartości używamy Predict.matrix()
macierzy, która po pomnożeniu przez współczynniki p
daje przewidywane wartości z dopasowanego modelu:
fv <- Predict.matrix(sm, newx) %*% p
newx <- transform(newx, yhat = fv[,1])
plot(y ~ x, data = df, pch = 16)
lines(yhat ~ x, data = newx, col = "red")
Daje to:
Od ciebie zależy, czy dane zostaną uporządkowane w celu drukowania w ggplot ...
Możesz wymusić ściślejsze dopasowanie (aby częściowo odpowiedzieć na pytanie o płynniejsze dopasowanie pierwszego punktu danych) poprzez zwiększenie wymiaru funkcji podstawowej x
. Na przykład ustawienie k
równości 8
( k <- 8
) i ponowne uruchomienie kodu powyżej otrzymujemy
Nie można k
znacznie zwiększyć tych danych i trzeba uważać, aby nie dopasować; wszystko, co pcls()
robisz, to rozwiązanie problemu najmniejszych kwadratów podlegających karze, biorąc pod uwagę ograniczenia i dostarczone funkcje podstawowe, nie wykonuje dla ciebie wyboru gładkości - nie, że wiem o ...)
Jeśli chcesz interpolacji, zobacz podstawową funkcję R, ?splinefun
która ma splajny Hermite i splajny sześcienne z ograniczeniami monotoniczności. W takim przypadku nie można tego jednak użyć, ponieważ dane nie są ściśle monotoniczne.
plot(y~x,data=df); f=fitted( glm( y~ns(x,df=4), data=df,family=quasipoisson)); lines(df$x,f)