R语言广义加性模型GAMs分析温度、臭氧环境数据绘制偏回归图与偏残差图|附代码数据
全文下载链接： http://tecdat.cn/?p=23697
我们使用R库mgcv，用广义加性模型（GAMs）对环境数据进行建模。mgcv是一个伟大的库，具有丰富的功能，但我们经常发现，默认的诊断图并不令人振奋。
特别是偏残差图，功能很强，但不漂亮，残差几乎看不见。我们需要根据这些代码来制作自己的偏回归平滑图。
1) 基本的数据设置
我们正在使用这里讨论的数据集。我们使用的是国家发病率和死亡率空气污染研究（NMMAPS）的数据。我们将数据限制在1997-2000年。
data\[date>as.Date("1996-12-31"),\]
2) 简单的GAM模型--温度对臭氧
在这个例子中，我们保持模型的简单性--使用高斯数据，单一预测因子。我们对温度与臭氧进行建模，我们将输出默认的偏残差图。
# 模型 - 温度对臭氧的影响 plot(gam)
这个图可以改进？
3) 重新制作偏残差图
偏残差图(_Partial Residual_ Plot)是多元回归中常用的诊断工具，特别是评估模型中在一个或另一个解释变量中是否包含非线性项。在多元回归y=β0+β1x1+…+βpxp+ε中，若欲反映其中变量Xj与因变量y之间的关系并用图形显示，其方法之一是用偏残差图。
点击标题查阅往期内容
在r语言中使用GAM（广义相加模型）进行电力负荷时间序列分析
左右滑动查看更多
01
02
03
04
在这里，我们加入平滑项、置信区间和偏残差。
#我们可以在多边形的顶部添加线条 qplot(temp, fit, type="n")+poly(c(temp, rev(temp)), c(low95,rev(up95))# 对于置信度的灰色多边形
在最后一步，我们要加入偏残差本身。偏残差是平滑项的估计值+整个模型的残差。
#添加偏残差。 points(temp,partial.resids)
为便于参考，这里是完整模型的摘要。
模型 - 温度对臭氧的影响
点击文末“阅读原文”
获取全文完整代码数据资料。
本文选自《R语言广义加性模型GAMs分析温度、臭氧环境数据绘制偏回归图与偏残差图》。
点击标题查阅往期内容
【视频】什么是非线性模型与R语言多项式回归、局部平滑样条、 广义相加GAM分析工资数据|数据分享
MATLAB最小二乘法：线性最小二乘、加权线性最小二乘、稳健最小二乘、非线性最小二乘与剔除异常值效果比较
数据分享|R语言广义线性模型GLM：线性最小二乘、对数变换、泊松、二项式逻辑回归分析冰淇淋销售时间序列数据和模拟
生态学模拟对广义线性混合模型GLMM进行功率（功效、效能、效力）分析power analysis环境监测数据
广义线性模型glm泊松回归的lasso、弹性网络分类预测学生考试成绩数据和交叉验证
有限混合模型聚类FMM、广义线性回归模型GLM混合应用分析威士忌市场和研究专利申请数据
R语言贝叶斯广义线性混合（多层次/水平/嵌套）模型GLMM、逻辑回归分析教育留级影响因素数据
R语言贝叶斯MCMC：GLM逻辑回归、Rstan线性回归、Metropolis Hastings与Gibbs采样算法实例
R语言用lme4多层次（混合效应）广义线性模型（GLM），逻辑回归分析教育留级调查数据
R语言广义线性模型GLM、多项式回归和广义可加模型GAM预测泰坦尼克号幸存者
R语言用Rshiny探索lme4广义线性混合模型（GLMM）和线性混合模型（LMM）
R语言使用bootstrap和增量法计算广义线性模型（GLM）预测置信区间
R语言广义线性模型(GLMs)算法和零膨胀模型分析
R语言中广义线性模型(GLM)中的分布和连接函数分析
R语言中GLM(广义线性模型)，非线性和异方差可视化分析
R语言中的广义线性模型（GLM）和广义相加模型（GAM）：多元（平滑）回归分析保险资金投资组合信用风险敞口
用广义加性模型GAM进行时间序列分析
R和Python机器学习:广义线性回归glm，样条glm，梯度增强，随机森林和深度学习模型分析
在r语言中使用GAM（广义相加模型）进行电力负荷时间序列分析
用广义加性模型GAM进行时间序列分析
R和Python机器学习:广义线性回归glm，样条glm，梯度增强，随机森林和深度学习模型分析
在r语言中使用GAM（广义相加模型）进行电力负荷时间序列分析