广义加性模型GAM

你这也没分析啊，就是用head命令把前6行输出出来了。你是说你用广义加性模型gam——

gam(formula,family=gaussian(),data=list(),weights=NULL,subset=NULL, na.action,offset=NULL,method="GCV.Cp",

optimizer=c("outer","newton"),control=list(),scale=0,

select=FALSE,knots=NULL,sp=NULL,min.sp=NULL,H=NULL,gamma=1, fit=TRUE,paraPen=NULL,G=NULL,in.out,...)

1. formula：GAM的公式

2. family：服从的分布

3. data：所需的一个数据框或列表包含模型响应变量，协变量

4. weights：现有的数据上的权重

5. subset：可以使用的观测值的一个子集。

6. na.action：一个函数，它表示时会发生什么数据包含“NA”。

7. offset：模型偏移量

8. control：控制参数，以取代默认值返回gam.control

9. method：平滑参数估计方法

10. optimizer：指定的数值优化方法

11. scale：如果这是正的，尺度参数；负的，规模参数未知。0说明是泊松分布和二项分布和未知的，否则，尺度参数为1。

12. select：如果这是TRUE然后gam可以添加一个额外的惩罚变量，以每学期，以便它可以被扣分零。这意味着平滑参数估计是拟合的一部分的，可以完全除去从模型中的条款。如果相应的平滑参数估计值为零，那么额外的惩罚没有任何效果。

下面是一个例子——

Family: gaussian

Link function: identity

Formula:

y ~ s(x0) + s(x1) + s(x2) + s(x3)

Parametric coefficients:

Estimate Std. Error t value Pr(>|t|) #线性变量的回归系数和显著性检验结果

(Intercept) 7.83328 0.09878 79.3 <2e-16 ***

p值＜0.05，没有通过原假设，有显著的统计意义。

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Approximate significance of smooth terms: #曲线拟合的结果

edf Ref.df F p-value

s(x0) 2.500 3.115 6.921 0.000128 ***

s(x1) 2.401 2.984 81.914 < 2e-16 ***

s(x2) 7.698 8.564 88.029 < 2e-16 ***

s(x3) 1.000 1.000 4.343 0.037806 *

p值＜0.05，没有通过原假设，有显著的统计意义。

理论上，当自由度接近1时，表示是线性关系；当自由度比1大，则表示为曲线关系。

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

R-sq.(adj) = 0.715 Deviance explained = 72.5%

GCV = 4.0505 Scale est. = 3.9027 n = 400

R-sq.(adj) ：调整R方

GCV是：广义交叉验证法

Deviance explained：解释偏差