Czy można dopasować GAMM (uogólniony model mieszany dodatków) dla danych z zerowym napełnieniem w R?
Jeśli nie, to czy można dopasować GAM (uogólniony model addytywny) dla danych z zerowym napełnieniem z ujemnym dwumianowym lub quasi-rozkładem Poissona w R? (Znalazłem funkcje COZIGAM :: zigam i mgcv: ziP dla rozkładu Poissona)
Odpowiedzi:
Oprócz mgcv i jego zerowo napełnionych rodzin Poissona ( ziP()i ziplss()), możesz również spojrzeć na pakiet brms autorstwa Paula-Christiana Bürknera. Może pasować do modeli rozkładu (gdzie modelujesz więcej niż tylko średnią, w twoim przypadku komponent zerowej inflacji modelu może być modelowany jako funkcja zmiennych towarzyszących, podobnie jak funkcja zliczania).
Wygładzanie można dołączyć do dowolnego z predyktorów liniowych (dla średniej / liczby, części z zerowym nadmuchiwaniem itp.) Za pomocą s()i t2()terminów odpowiednio dla prostych splajnów 1-d lub izotropowych 2-d, lub splajnów produktu tensorowego anizotropowego. Obsługuje zero-zawyżone rozkłady dwumianowe, Poissona, ujemne dwumianowe i beta oraz plus zawyżone zero-jeden. Ma także modele przeszkód dla Poissona i ujemnych odpowiedzi dwumianowych (gdzie część zliczania modelu jest skróconym rozkładem, aby nie generować dalszych zliczeń zerowych).
brms pasuje do tych modeli przy użyciu STAN , więc są one w pełni bayesowskie, ale wymaga to nauki nowego zestawu interfejsów w celu uzyskania odpowiednich informacji. To powiedziawszy, istnieje kilka pakietów oferujących funkcje wsparcia tylko dla tego zadania, a brms ma napisane funkcje pomocnicze, które wykorzystują te dodatkowe pakiety. Musisz zainstalować STAN i będziesz potrzebował kompilatora C ++, ponieważ brms kompiluje model zdefiniowany za pomocą R w kodzie STAN do oceny.
glmmTMBPakiet oferuje to i jest opisany w niedawnym artykule bioRxiv: Brooks et al. (2017). Modelowanie danych zeraglmmTMB nadmuchanych za pomocą , bioRxiv, doi: 10.1101 / 132753 .
Gavin Simpson ma również ładny blogu, który porównuje glmmTMBsię mgcvdo tego celu: Przymierzalnia liczbę zero namiotową GLMMs liczyć się z mgcv .
brmsktóre rzeczywiście jest bardzo ładne i elastyczne. Wraz z Niki Umlauf planowałem również napisać kilka rodzin zliczających, bamlssaby uzyskać dodatkowe elastyczne funkcje regresji ... ale jak dotąd nie udało nam się policzyć dystrybucji danych.