Jak uzyskać wartości używane w plot.gam w mgcv?

Chciałbym dowiedzieć się o wartościach (x, y)używanych podczas kreślenia plot(b, seWithMean=TRUE)w pakiecie mgcv . Czy ktoś wie, jak mogę wyodrębnić lub obliczyć te wartości?

Oto przykład:

library(mgcv) 
set.seed(0)
dat <- gamSim(1, n=400, dist="normal", scale=2) 
b   <- gam(y~s(x0), data=dat) 
plot(b, seWithMean=TRUE)

Począwszy od mgcv1.8-6, plot.gamniewidocznie zwraca dane, których używa do generowania wykresów, tzn. Robi

pd <- plot(<some gam() model>)

daje listę z danymi kreślenia w pd.

ODPOWIEDŹ PONIŻEJ DLA mgcv<= 1,8-5:

Wielokrotnie przeklinałem fakt, że funkcje fabuły mgcvnie zwracają rzeczy, które kreślą - to, co następuje, jest brzydkie, ale działa:

library(mgcv) 
set.seed(0)
dat <- gamSim(1, n = 400, dist = "normal", scale = 2)
b <- gam(y ~ s(x0) + s(x1) + s(x2) + s(x3), data = dat)

plotData <- list()
trace(mgcv:::plot.gam, at = list(c(27, 1)), 
  ## tested for mgcv_1.8-4. other versions may need different at-argument.
  quote({
    message("ooh, so dirty -- assigning into globalenv()'s plotData...")
    plotData <<- pd
    }))
mgcv::plot.gam(b, seWithMean = TRUE, pages = 1)

par(mfrow = c(2, 2))
for (i in 1:4) {
  plot(plotData[[i]]$x, plotData[[i]]$fit, type = "l", xlim = plotData[[i]]$xlim,
    ylim = range(plotData[[i]]$fit + plotData[[i]]$se, plotData[[i]]$fit -
      plotData[[i]]$se))
  matlines(plotData[[i]]$x, cbind(plotData[[i]]$fit + plotData[[i]]$se, 
    plotData[[i]]$fit - plotData[[i]]$se), lty = 2, col = 1)
  rug(plotData[[i]]$raw)  
}

Pakiet visregmoże sprawić, że wykresy efektów będą podobne do GAM (ale być może nie identyczne?) I poda również elementy wykresu jako dane wyjściowe, sformatowane jako lista. Za pomocą plyr można utworzyć ramkę danych wyjściowych. Przykład:

plot <- visreg(model, type = "contrast")
smooths <- ldply(plot, function(part)   
  data.frame(x=part$x$xx, smooth=part$y$fit, lower=part$y$lwr, upper=part$y$upr))

To nie będzie pełna odpowiedź. Całe wykreślanie gamobiektów odbywa się za pomocą funkcji plot.gam. Możesz spojrzeć na jego kod po prostu wpisując

> plot.gam

w konsoli R. Jak zobaczysz, kod jest ogromny. Z tego, co wyciągnąłem z tego, że cała fabuła odbywa się poprzez zebranie odpowiednich informacji w pdobiekcie, który jest listą. Tak więc jednym z możliwych rozwiązań byłoby edytowanie plot.gam, editna przykład za pomocą , aby zwracał ten obiekt. Wystarczy dodać pdprzedostatnie }. Radzę dodać invisible(pd), aby ten obiekt był zwracany tylko wtedy, gdy o to poprosisz:

> pd <- plot(b,seWithMean = TRUE)

Następnie sprawdź ten obiekt i wyszukaj w kodzie plot.gamwierszy za pomocą ploti lines. Następnie zobaczysz, które z istotnych xi ywartości pojawiają się na wykresie.

## And this is the code for multiple variables!
require(mgcv)
n      = 100
N      = n
tt     = 1:n
arfun  = c(rep(.7,round(n/3)),rep(.3,round(n/3)),rep(-.3,ceiling(n/3)))
arfun2 = c(rep(.8,round(n/3)),rep(.3,round(n/3)),rep(-.3,ceiling(n/3)))
int    = .1*(tt-mean(tt))/max(tt)-.1*((tt-mean(tt))/(max(tt)/10))^2
y      = rep(NA,n)
s.sample <- N
x        <- 10*rnorm(s.sample)
z        <- 10*rnorm(s.sample)
for(j in 1:n){
  y[j]=int[j]+x[j]*arfun[j]+z[j]*arfun2[j]+rnorm(1)  
}

mod = gam(y ~ s(tt) + s(tt, by=x) + s(tt, by=z)) 
## getting the data out of the plot
plotData <- list()
trace(mgcv:::plot.gam, at=list(c(25,3,3,3)),
      # this gets you to the location where plot.gam calls 
      #    plot.mgcv.smooth (see ?trace)
      # plot.mgcv.smooth is the function that does the actual plotting and
      # we simply assign its main argument into the global workspace
      # so we can work with it later.....

      quote({
        # browser()
        print(pd)
        plotData <<- c(plotData, pd)
      }))

# test: 
mgcv::plot.gam(mod, seWithMean=TRUE)


# see if it succeeded
slct = 3
plot(plotData[[slct]]$x, plotData[[slct]]$fit, type="l", xlim=plotData$xlim, 
     ylim=range(plotData[[slct]]$fit + plotData[[slct]]$se, plotData[[slct]]$fit - 
                plotData[[slct]]$se))
matlines(plotData[[slct]]$x, 
         cbind(plotData[[slct]]$fit + plotData[[slct]]$se, 
               plotData[[slct]]$fit - plotData[[slct]]$se), lty=2, col=1)
rug(plotData[[slct]]$raw)