เป็นไปได้หรือไม่ที่จะพอดีกับ GAMM (โมเดลผสมแบบผสมทั่วไป) สำหรับข้อมูลที่ไม่พองในศูนย์ใน R?
ถ้าไม่เป็นไปได้หรือไม่ที่จะพอดีกับ GAM (โมเดลเสริมทั่วไป) สำหรับข้อมูลที่ไม่มีการขยายศูนย์ด้วยการแจกแจงแบบทวินามลบหรือกึ่งปัวซองเสมือนใน R? (ฉันพบCOZIGAM :: zigamและmgcv: ziPสำหรับการแจกแจงปัวซอง)
คำตอบ:
นอกเหนือจากmgcvและตระกูลปัวซงที่ไม่มีการขยาย ( ziP()และziplss()) คุณอาจดูแพ็คเกจbrmsโดย Paul-Christian Bürkner มันสามารถพอดีกับรูปแบบการกระจาย (ที่คุณเป็นแบบจำลองมากกว่าค่าเฉลี่ยในกรณีของคุณส่วนประกอบแบบ zero-inflation ของแบบจำลองสามารถเป็นแบบจำลองของฟังก์ชัน covariates เหมือนกับฟังก์ชัน count)
คุณสามารถรวมความนุ่มนวลในตัวทำนายเชิงเส้นใด ๆ (สำหรับค่าเฉลี่ย / จำนวนส่วนศูนย์เงินเฟ้อ ฯลฯ ) ผ่านs()และt2()ข้อกำหนดสำหรับเส้นโค้งแบบ 1-d หรือ isotropic 2-d แบบง่ายหรือเส้นโค้งผลิตภัณฑ์เทนเซอร์ anisotropic ตามลำดับ มันมีการสนับสนุนสำหรับการแจกแจงทวินามศูนย์ปัวซองลบทวินามและการแจกแจงเบต้ารวมทั้งการแจกแจงเบต้าศูนย์ขยาย นอกจากนี้ยังมีแบบจำลองอุปสรรค์สำหรับปัวซองและการตอบสนองแบบทวินามลบ (ที่ส่วนการนับของแบบจำลองเป็นการกระจายแบบตัดปลายเพื่อไม่ให้เกิดการนับศูนย์เพิ่มเติม)
brmsเหมาะกับโมเดลเหล่านี้ที่ใช้STANดังนั้นมันจึงเป็น Bayesian อย่างสมบูรณ์ แต่สิ่งนี้จะทำให้คุณต้องเรียนรู้ชุดอินเตอร์เฟสใหม่เพื่อดึงข้อมูลที่เกี่ยวข้อง ที่กล่าวว่ามีหลายแพ็คเกจที่เสนอฟังก์ชั่นการสนับสนุนสำหรับงานนี้เท่านั้นและbrmsมีฟังก์ชันผู้ช่วยที่เขียนโดยใช้แพ็คเกจรองเหล่านี้ คุณจะต้องติดตั้ง STAN และคุณจะต้องใช้คอมไพเลอร์ C ++ เนื่องจากbrmsรวบรวมรูปแบบตามที่กำหนดโดยใช้ R ในรหัส STAN เพื่อการประเมิน
glmmTMBแพคเกจบริการนี้และอธิบายไว้ในกระดาษ bioRxiv ล่าสุด: บรูคส์, et al (2017) การสร้างแบบจำลองศูนย์ที่สูงขึ้นจำนวนข้อมูลด้วยglmmTMB , bioRxiv, ดอย: 10.1101 / 132753
กาวินซิมป์สันนอกจากนี้ยังมีโพสต์ดีบล็อกที่เปรียบเทียบglmmTMBกับmgcvเพื่อวัตถุประสงค์นี้: นับฟิตติ้งและ GLMMs นับเป็นศูนย์ที่สูงเกินจริงด้วย mgcv
brmsว่าสิ่งใดที่ดีและมีความยืดหยุ่น ร่วมกับ Niki Umlauf ฉันยังวางแผนที่จะเขียนตระกูลจำนวนนับbamlssเพื่อรับคุณสมบัติการถดถอยที่ยืดหยุ่นมากขึ้น ... แต่จนถึงตอนนี้เรายังไม่ได้นับการแจกแจงข้อมูล