R语言自适应平滑样条回归分析

最近我们被要求撰写关于自适应平滑样条回归的研究报告，包括一些图形和统计输出。

一种类型的平滑称为样条平滑。柔性金属（通常是铅），可以用作绘制平滑曲线的参考。将选择一组点（称为结），然后将样条线压在特定的x，y点，然后弯曲以通过下一个点，依此类推。由于金属的柔韧性，此过程将生成通过这些点的平滑曲线。

在数学上，可以通过选择结点并使用（通常是三次）回归来估计结之间的点，并使用演算来确保每条单独的回归线连接在一起时曲线都平滑，从而重现该过程。平滑的程度由参数控制，通常在0和1之间的范围内。

为了说明，我们考虑由来自1910至2004年的小麦产量数据集 。

生成数据图，并叠加样条曲线平滑度。

> plot(wheat$year,wheat$production)
> lines(smooth.spline(wheat$year,wheat$production))

结果如下：

应用的平滑量  由参数 spar 控制  。我们检查效果：

sapply(spars,plotfn)

该图显示如下：

自适应平滑算法

尽管大多数平滑器需要指定带宽，数据部分或平滑级别，但超级平滑的不同之处在于它可以自行解决这些问题。因此，它是需要平滑处理而无需任何用户干预的情况的绝佳选择。Supersmoother通过执行许多简单的局部回归平滑来工作，并且在每个x值处，它使用这些平滑来确定要使用的最佳y值。在R中，可通过 supsmu  函数获得 超级平滑器。

为了说明这一点，考虑汽车数据。以下几行产生了 重量 与  MPG的关系图，并叠加了一条超平滑线。

该图显示如下：

带有面板的平滑算法

在使用点阵图形时，我们已经看到了 panel.lmline 的使用  ，它在点阵图的每个面板中显示最佳回归线。可以使用类似的函数  panel.loess 在图的每个面板中叠加局部加权回归平滑器。作为简单说明，考虑内置的  Orange  数据集，其中包含有关几棵橙树的年龄和周长的信息。首先，让我们看一幅具有最佳回归线平滑度的图，该图叠加在 每 棵树的年龄 与 周长图上  ：

要创建相同的图，但要使用  panel.loess  函数，可以使用以下代码：

> xyplot(circumference~age|Tree, 
+        ...)})

如果 您想让它更平滑，可以使用  panel.lines  函数直接绘制它：

> xyplot(circumference~age|Tree, 
+   ,...)})

---

参考文献

1.用SPSS估计HLM层次线性模型模型

2.R语言线性判别分析（LDA），二次判别分析（QDA）和正则判别分析（RDA）

3.基于R语言的lmer混合线性回归模型

4.R语言Gibbs抽样的贝叶斯简单线性回归仿真分析

5.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

6.使用SAS，Stata，HLM，R，SPSS和Mplus的分层线性模型HLM

7.R语言中的岭回归、套索回归、主成分回归：线性模型选择和正则化

8.R语言用线性回归模型预测空气质量臭氧数据

9.R语言分层线性模型案例