[英]Custom Link function works for GLM but not mgcv GAM
抱歉,如果答案很明顯,但我花了很多時間嘗試在mgcv.gam中使用自定義鏈接功能
簡而言之,
custom_link
) 我可以使用此鏈接創建一個{stats}系列對象,並在glm的“family”參數中使用它。
m <- glm(y~x, family=binomial(link=custom_link), ... )
當用作{mgcv} gam的參數時,它不起作用
m <- gam(y~s(x), family=binomial(link=custom_link), ... )
我Error in fix.family.link.family(family) : link not recognised
收到錯誤Error in fix.family.link.family(family) : link not recognised
我沒有得到這個錯誤的原因,如果我指定標准link=probit
,glm和gam都會工作。
所以我的問題可歸納為:
這個自定義鏈接中缺少哪些適用於glm但不適用於gam?
如果你能給我一些關於我該做什么的提示,請提前致謝。
鏈接功能
probit.2asym <- function(g, lam) {
if ((g < 0 ) || (g > 1))
stop("g must in (0, 1)")
if ((lam < 0) || (lam > 1))
stop("lam outside (0, 1)")
linkfun <- function(mu) {
mu <- pmin(mu, 1 - (lam + .Machine$double.eps))
mu <- pmax(mu, g + .Machine$double.eps)
qnorm((mu - g)/(1 - g - lam))
}
linkinv <- function(eta) {
g + (1 - g - lam) *
pnorm(eta)
}
mu.eta <- function(eta) {
(1 - g - lam) * dnorm(eta) }
valideta <- function(eta) TRUE
link <- paste("probit.2asym(", g, ", ", lam, ")", sep = "")
structure(list(linkfun = linkfun, linkinv = linkinv,
mu.eta = mu.eta, valideta = valideta, name = link),
class = "link-glm")
}
如您所知, glm
采用迭代重加權最小二乘擬合迭代。 早期版本的gam
通過擬合迭代懲罰的重加權最小二乘來擴展這一點,這是由gam.fit
函數完成的。 這在某些上下文中稱為性能迭代 。
自2008年以來(或者略微甚至更早), gam.fit3
基於所謂外迭代已經取代gam.fit
為gam
默認。 這種變化確實需要一些關於家庭的額外信息,您可以閱讀這些信息?fix.family.link
。
兩次迭代之間的主要差異是系數beta
迭代和平滑參數lambda
迭代是否嵌套。
beta
,執行單次lambda
迭代; beta
每次更新, lambda
迭代被帶到最后直到收斂。 顯然,外迭代更穩定,並且不太可能遭受收斂失敗。
gam
有一個參數optimizer
。 默認情況下,它需要optimizer = c("outer", "newton")
,這是外部迭代的牛頓方法; 但如果你設置optimizer = "perf"
,它將需要性能迭代。
因此,在上述概述之后,我們有兩個選擇:
glm
。 我很懶,所以會展示第二個(實際上我對第一種方法感覺不太自信) 。
可重復的例子
您沒有提供可重復的示例,因此我准備如下。
set.seed(0)
x <- sort(runif(500, 0, 1)) ## covariates (sorted to make plotting easier)
eta <- -4 + 3 * x * exp(x) - 2 * log(x) * sqrt(x) ## true linear predictor
p <- binomial(link = "logit")$linkinv(eta) ## true probability (response)
y <- rbinom(500, 1, p) ## binary observations
table(y) ## a quick check that data are not skewed
# 0 1
#271 229
我將使用你想要使用的函數probit.2asym
g = 0.1
和lam = 0.1
:
probit2 <- probit.2asym(0.1, 0.1)
par(mfrow = c(1,3))
## fit a glm with logit link
glm_logit <- glm(y ~ x, family = binomial(link = "logit"))
plot(x, eta, type = "l", main = "glm with logit link")
lines(x, glm_logit$linear.predictors, col = 2)
## glm with probit.2asym
glm_probit2 <- glm(y ~ x, family = binomial(link = probit2))
plot(x, eta, type = "l", main = "glm with probit2")
lines(x, glm_probit2$linear.predictors, col = 2)
## gam with probit.2aysm
library(mgcv)
gam_probit2 <- gam(y ~ s(x, bs = 'cr', k = 3), family = binomial(link = probit2),
optimizer = "perf")
plot(x, eta, type = "l", main = "gam with probit2")
lines(x, gam_probit2$linear.predictors, col = 2)
我使用s(x)
自然三次樣條基礎cr
,對於單變量平滑,不需要使用薄板樣條的默認設置。 我還設置了一個小的基礎維度k = 3
(對於三次樣條曲線不能更小),因為我的玩具數據接近線性並且不需要大的基礎尺寸。 更重要的是,這似乎可以防止我的玩具數據集的性能迭代收斂失敗。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.