R语言广义相加模型 (GAMs)分析预测CO2时间序列数据

全文下载链接：http://tecdat.cn/?p=20904

环境科学中的许多数据不适合简单的线性模型，最好用广义相加模型（GAM）来描述（点击文末“阅读原文”获取完整代码数据）。

相关视频

这基本上就是具有 光滑函数的广义线性模型（GLM）的扩展 。当然，当您使用光滑项拟合模型时，可能会发生许多复杂的事情，但是您只需要了解基本原理即可。

相关视频

理论

让我们从高斯线性模型的方程开始 ：

GAM中发生的变化是存在光滑项：

这仅意味着对线性预测变量的贡献现在是函数f。从概念上讲，这与使用二次项（）或三次项（）作为预测变量没什么不同。

在这里，我们将重点放在样条曲线上。在过去，它可能类似于分段线性函数。

例如，您可以在模型中包含线性项和光滑项的组合

或者我们可以拟合广义分布和随机效应

一个简单的例子

让我们尝试一个简单的例子。首先，让我们创建一个数据框，并创建一些具有明显非线性趋势的模拟数据，并比较一些模型对该数据的拟合程度。

x <- seq(0, pi * 2, 0.1)
sin_x <- sin(x)
y <- sin_x + rnorm(n = length(x), mean = 0, sd = sd(sin_x / 2))
Sample <- data.frame(y,x)

library(ggplot2)
ggplot(Sample, aes(x, y)) + geom_point()

尝试拟合普通的线性模型：

lm_y <- lm(y ~ x, data = Sample)

并使用geom_smooth in 绘制带有数据的拟合线 ggplot

ggplot(Sample, aes(x, y)) + geom_point() + geom_smooth(method = lm)

查看图或 summary(lm_y)，您可能会认为模型拟合得很好，但请查看残差图

plot(lm_y, which = 1)