mgcv：从GAM模型中平滑提取“ tp”的结位置

Question

我试图从GAM模型中提取结的位置，以便将我的预测变量划分为其他模型的类别。 我的数据包含一个二进制响应变量（使用）和一个连续预测变量（打开）。

data <- data.frame(Used = rep(c(1,0,0,0),1250),
                   Open = round(runif(5000,0,50), 0))

我适合GAM：

mod <- gam(Used ~ s(Open), binomial, data = data)

我可以得到的预测值，并且模型矩阵等与任一type=c("response", "lpmatrix")的内predict.gam功能，但我正在与出奋力提取结位置在该所述系数变化。 任何建议都非常感谢！

out<-as.data.frame(predict.gam(model1, newdata = newdat, type = "response"))

如果可能的话，我也很感兴趣：

http://www.fromthebottomoftheheap.net/2014/05/15/identifying-periods-of-change-with-gams/

其中确定了样条的统计增加/减少，但是，我此时未使用GAMM，因此，在识别从GAMM模型提取的GAM中的相似模型特征时遇到了问题。 第二项是出于好奇而不是什么。

Answer 1

评论：

1. 问时，您应该使用R和mgcv标记您的问题；
2. 首先，我想将您的问题标记为与mgcv重复：如何在自适应平滑中提取P样条的结，基，系数和预测？ 昨天提出的， 我的回答应该非常有用。 但是后来我意识到实际上有一些区别。 因此，我将在这里做一些简短的解释。

回答：

在您的gam电话：

mod <- gam(Used ~ s(Open), binomial, data = data)

您没有在s()指定bs参数，因此将使用默认基础： bs = 'tp' 。

'tp' （ 薄板回归样条的缩写）不是具有常规结的平滑类。 薄板样条线确实具有结：将结精确地放置在数据点上。 例如，如果您有n唯一的Open值，则它有n结。 在单变量情况下，这只是平滑样条曲线。

但是，基于截断特征分解，薄板回归样条曲线是整个薄板样条曲线的低阶近似。 这与主成分分析（PCA）类似。 代替使用最初的n个薄板样条曲线基，它使用前k主成分。 这可将计算复杂度从O(n^3)降低到O(nk^2) ，同时确保最佳的rank-k逼近。

结果，对于拟合的薄板回归样条曲线，您实际上没有任何结点可以提取。

由于您使用单变量样条曲线，因此实际上没有必要使用'tp' 。 只要使用bs = 'cr'时，C UBIC [R egression花。 在2003年tp可用时，它曾经是mgcv的默认值。 cr有结，您可以按照答案中的说明提取结。 不要在这个问题上被bs = 'ad'混淆：P样条，B样条，自然三次样条都是基于节的样条。