R'de sıfır şişirilmiş veriler için bir GAMM (Genelleştirilmiş Katkı Karma Modeli) takmak mümkün müdür?
Değilse, R'de negatif binom veya yarı Poisson dağılımı olan sıfır şişirilmiş veriler için bir GAM (Genelleştirilmiş Katkı Modeli) yerleştirmek mümkün müdür? ( Poisson dağılımı için COZIGAM :: zigam ve mgcv: ziP fonksiyonlarını buldum )
Yanıtlar:
Ek olarak mgcv ve sıfır şişirilmiş Poisson aileleri ( ziP()ve ziplss()), ayrıca bakmak olabilir BRM Paul-Christian Bürkner tarafından paketin. Dağıtım modellerine uyabilir (sadece ortalamadan daha fazla modellediğiniz yerde, sizin durumunuzda modelin sıfır şişirme bileşeni, sayım işlevi gibi ortak değişkenlerin bir işlevi olarak modellenebilir).
Eğer ile (ortalama / sayısı, sıfır şişirme kısmı, vb), doğrusal belirleyicileri herhangi akıcı hale içerebilir s()ve t2()sırasıyla basit 1-d veya izotropik 2-d yivler ya da anizotropik tensör ürün spline koşullar. Sıfır-şişirilmiş binom, Poisson, negatif binom ve beta dağılımları ile sıfır-bir-şişirilmiş beta dağılımlarını destekler. Ayrıca Poisson ve negatif binom tepkileri için engel modelleri vardır (modelin sayım kısmı daha fazla sıfır sayımı üretmeyecek şekilde kesilmiş bir dağılımdır).
brms , STAN kullanarak bu modellere uyar , bu yüzden tamamen Bayeslidir , ancak bu, ilgili bilgileri çıkarmak için yeni bir arabirim seti öğrenmenizi gerektirir. Bununla birlikte, sadece bu görev için destek işlevleri sunan birkaç paket vardır ve brms bu ikincil paketleri kullanan yardımcı işlevlere sahiptir. STAN'ı yüklemeniz gerekecek ve brms modeli R'yi kullanarak STAN koduna değerlendirme için tanımlandığı gibi derlediğinden C ++ derleyicisine ihtiyacınız olacak .
glmmTMBPaket bu sunar ve son bioRxiv kağıt açıklanmıştır: Brooks ve ark. (2017). Sıfır Şişirilmiş Sayım VerilerininglmmTMB bioRxiv, doi: 10.1101 / 132753 ile Modellenmesi .
Gavin Simpson ayrıca karşılaştırır güzel blog yazısı vardır glmmTMBile mgcv: bu amaçla Montaj sayımı ve mgcv ile sıfır şişirilmiş sayım GLMMs .
brmsGerçekten çok güzel ve esnek olduğuna işaret ettiğiniz için de teşekkür ederiz . Niki Umlauf ile birlikte, bamlssdaha fazla esnek regresyon özelliği elde etmek için bazı sayım aileleri yazmayı planlıyorum ... ancak şu ana kadar veri dağılımlarını saymak için yuvarlak olmadık .