R smooth2random 將平滑轉換為適合估計隨機效應的形式

說明

用於將 mgcv 平滑對象轉換為適合估計為隨機效應的形式的通用函數，例如lme 。主要導出供其他包開發人員使用。

用法

smooth2random(object,vnames,type=1)

參數

object	mgcv 平滑對象。
vnames	避免作為隨機效應形式中的虛擬變量名稱的名稱向量。
type	1 表示 lme ，否則 lmer 。

細節

平滑效應和隨機效應之間存在二元性，這意味著可以使用混合建模軟件來估計平滑效應。例如，此函數將標準 mgcv 平滑對象轉換為適合 lme 估計的形式。導出供包開發人員使用的 gamm 服務例程。請參閱為新數據創建預測矩陣的示例，對應於 type=2 時返回的隨機效應矩陣和固定效應矩陣。

值

一個列表。

rand	隨機效應列表，包括分組因子和固定效應矩陣。將因子、模型矩陣和模型矩陣名稱作為屬性附加到每個元素。或者，對於 type=2 隨機效應模型矩陣列表，每個矩陣對應一個獨立同分布。具有單一方差分量的高斯隨機效應。
trans.D	一個向量，trans.D，將 coefs 按順序 [rand1, rand2,...fix] 轉換回原始參數化。如果為空，則作為 1 的向量。 b.original = trans.U %*% (trans.D*b.fit) 。
trans.U	一個矩陣，trans.U，將 coefs 按順序 [rand1, rand2,...fix] 轉換回原始參數化。如果為空，則不需要。如果為空則視為身份。
Xf	固定效應矩陣(如果有)。
fixed	TRUE/FALSE ，指示術語是否不受懲罰。如果沒有受到懲罰，那麽其他東西可能不會被退回(這不是隨機效應)。
rind	一個索引向量，如果 br 是該項的隨機係數向量，則 br[rind] 是該項的有序係數。
pen.ind	懲罰每個係數的索引：0表示未懲罰。

例子

## Simple type 1 'lme' style...
library(mgcv)
x <- runif(30)
sm <- smoothCon(s(x),data.frame(x=x))[[1]]
smooth2random(sm,"")

## Now type 2 'lme4' style...
z <- runif(30)
dat <- data.frame(x=x,z=z)
sm <- smoothCon(t2(x,z),dat)[[1]]
re <- smooth2random(sm,"",2)
str(re)

## For prediction after fitting we might transform parameters back to
## original parameterization using 'rind', 'trans.D' and 'trans.U',
## and call PredictMat(sm,newdata) to get the prediction matrix to
## multiply these transformed parameters by.
## Alternatively we could obtain fixed and random effect Prediction
## matrices corresponding to the results from smooth2random, which
## can be used with the fit parameters without transforming them.
## The following shows how...

s2rPred <- function(sm,re,data) {
## Function to aid prediction from smooths represented as type==2
## random effects. re must be the result of smooth2random(sm,...,type=2).
  X <- PredictMat(sm,data)   ## get prediction matrix for new data
  ## transform to r.e. parameterization
  if (!is.null(re$trans.U)) X <- X%*%re$trans.U
  X <- t(t(X)*re$trans.D)
  ## re-order columns according to random effect re-ordering...
  X[,re$rind] <- X[,re$pen.ind!=0] 
  ## re-order penalization index in same way  
  pen.ind <- re$pen.ind; pen.ind[re$rind] <- pen.ind[pen.ind>0]
  ## start return object...
  r <- list(rand=list(),Xf=X[,which(re$pen.ind==0),drop=FALSE])
  for (i in 1:length(re$rand)) { ## loop over random effect matrices
    r$rand[[i]] <- X[,which(pen.ind==i),drop=FALSE]
    attr(r$rand[[i]],"s.label") <- attr(re$rand[[i]],"s.label")
  }
  names(r$rand) <- names(re$rand)
  r
} ## s2rPred

## use function to obtain prediction random and fixed effect matrices
## for first 10 elements of 'dat'. Then confirm that these match the
## first 10 rows of the original model matrices, as they should...

r <- s2rPred(sm,re,dat[1:10,])
range(r$Xf-re$Xf[1:10,])
range(r$rand[[1]]-re$rand[[1]][1:10,])

作者

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

參考

Wood S.N. (2017) Generalized Additive Models: An Introduction with R (2nd edition). Chapman and Hall/CRC Press.

也可以看看

gamm