我正在研究具有随机效应的gam
模型,以通过plot_ly
生成3D表面图。
这是我的代码;
x <- runif(100)
y <- runif(100)
z <- x^2 + y + rnorm(100)
r <- rep(1,times=100) # random effect
r[51:100] <- 2 # replace 1 into 2, making two groups
df <- data.frame(x, y, z, r)
gam_fit <- gam(z ~ s(x) + s(y) + s(r,bs="re"), data = df) # fit
#create matrix data for `add_surface` function in `plot_ly`
newx <- seq(0, 1, len=20)
newy <- seq(0, 1, len=30)
newxy <- expand.grid(x = newx, y = newy)
z <- matrix(predict(gam_fit, newdata = newxy), 20, 30) # predict data as matrix
但是,最后一行会导致错误;
Error in model.frame.default(ff, data = newdata, na.action = na.act) :
variable lengths differ (found for 'r')
In addition: Warning message:
In predict.gam(gam_fit, newdata = newxy) :
not all required variables have been supplied in newdata!
感谢上一个答案,我相信上面的代码可以像here一样不受随机影响地工作。
如何预测具有随机效应的游戏模型?
答案 0 :(得分:1)
假设您希望表面条件取决于随机效果(而不是针对特定级别的随机效果),则有两种方法。
第一个方法是为随机效应提供一个水平,但使用exclude
的{{1}}参数将该术语从预测值中排除。第二种是再次使用predict.gam()
,但这一次不提供任何随机效果数据,而是停止exclude
使用参数predict.gam()
检查newdata
。>
newdata.guaranteed = TRUE
newxy1 <- with(df, expand.grid(x = newx, y = newy, r = 2))
z1 <- predict(gam_fit, newdata = newxy1, exclude = 's(r)')
z1 <- matrix(z1, 20, 30)
这些产生相同的结果:
z2 <- predict(gam_fit, newdata = newxy, exclude = 's(r)',
newdata.guaranteed=TRUE)
z2 <- matrix(z2, 20, 30)
一些注意事项:
您使用哪种方式取决于模型其余部分的复杂程度。我通常会使用第一个选项,因为它提供了额外的检查,以防止我在创建数据时做一些愚蠢的事情。但是在这种情况下,使用简单的模型和一组协变量,似乎足以安全地相信> all.equal(z1, z2)
[1] TRUE
是可以的。
您的示例使用随机斜率(是否是预期的斜率),而不是随机截距,因为newdata
并不是一个因素。如果您的实际示例使用因子随机效应,那么在创建r
时需要更加小心,因为需要正确获得因子newdata
。例如:
levels
应该以正确的设置expand.grid(x = newx, y = newy,
r = with(df, factor(2, levels = levels(r))))