R gam.outer 使用“外部”迭代最小化 GAM 的 GCV 或 UBRE 分数

说明

如果平滑选择得分(GCV、GACV、UBRE/AIC、REML、ML 等)的优化位于用于估计给定平滑参数的模型的惩罚迭代重新加权最小二乘方案的外部，则 GAM 平滑参数的估计是最稳定的。

该例程以这种方式优化平滑度选择分数。本质上，通过估计平滑参数的 GAM 来评估每个平滑参数试验集的分数。分数被最小化。使用 newton (默认)、 bfgs 、 optim 或 nlm 以数字形式表示参数。可以通过拟合 gam.fit3 来使用分数的精确(一阶和二阶)导数。相对于依赖有限差分导数，这提高了效率和可靠性。

通常不直接调用，而是 gam 的服务例程。

用法

gam.outer(lsp,fscale,family,control,method,optimizer,
          criterion,scale,gamma,G,start=NULL,nei=NULL,...)

参数

lsp	对数平滑参数。
fscale	GCV 或 UBRE/AIC 评分的典型量表。
family	模范家庭。
control	如果使用纯有限差分，则控制参数传递给gam.fit。
method	gam 的方法参数定义要使用的平滑标准(但取决于比例是否已知)。
optimizer	gam 的参数定义要使用的数值优化方法。
criterion	使用哪种平滑度选择标准。 "UBRE" 、 "GCV" 、 "GACV" 、 "REML" 或 "P-REML" 之一。
scale	提供比例参数。正值表示已知。
gamma	GCV/UBRE/AIC 分数的自由度膨胀因子。
G	由 mgcv:::gam.setup 生成的列表，包含实际适合 GAM 所需的大部分内容。
start	起始参数值。
nei	如果使用 NCV，则指定邻域结构的列表。请参阅gam。
...	其他参数，通常用于传递给gam.fit3(最终)。

细节

有关“外部迭代”的完整详细信息，请参阅 Wood (2008)。

作者

Simon N. Wood simon.wood@r-project.org

参考

Wood, S.N. (2011) Fast stable restricted maximum likelihood and marginal likelihood estimation of semiparametric generalized linear models. Journal of the Royal Statistical Society (B) 73(1):3-36

https://www.maths.ed.ac.uk/~swood34/

也可以看看

gam.fit3、gam、magic