有人知道如何在R中使用Tweedie进行逐步回归吗？
我找到了mgcv软件包，该软件包显然将Tweedie的功率参数视为另一个要估计的参数。这似乎在必须使用tweedie.profile估算glm之外的功效时有所改善，因此使用自动逐步函数进行回归似乎令人鼓舞。但我无法弄清楚该软件包是否还提供了逐步功能。包装手册上有这句话。
我在谈论平滑方面迷路了：
软件包mgcv中没有step.gam。
为了便于全自动选择模型，该软件包采用了两种平滑的修改技术
作为平滑度选择的一部分，可用于使平滑度缩小为零。
多谢您的协助。谢谢。
最佳答案
您的问题并非专门针对“ Tweedie”家庭；这是模型选择中的常规mgcv功能。mgcv不使用step.gam进行模型选择。我认为您的困惑来自另一个软件包gam，该软件包将使用step.gam顺序添加/删除术语并报告AIC。当您在?step.gam中进入mgcv时，它会将您引向?gam.selection。故意将?step.gam留在那里，以防人们搜索它。但是所有详细信息都在?gam.selection中提供。
无需在step.gam中执行mgcv。模型估计和模型选择集成在mgcv中。对于惩罚式回归/平滑样条，当平滑参数达到无穷大（非常大）时，其二阶导数被惩罚为零，剩下一个简单的线性项。例如，如果我们指定类似的模型：
y ~ s(x1, bs = 'cr') + s(x2, bs = 'cr')
虽然
s(x2)是伪造的模型项，并且不应包含在模型中，但是mgcv:::gam/bam会在估算后将s(x2)缩小为x2，从而得到如下模型：y ~ s(x1) + x2
这意味着，当您使用
plot.gam()检查每个模型项的估计平滑函数时，s(x1)是一条曲线，而s(x2)是一条直线。现在，这并不完全令人满意。为了完整，成功地选择模型，我们还希望将
x2删除，即将s(x2)缩小为0，以便从概念上获得模型：y ~ s(x1)
但这并不难实现。我们可以使用收缩平滑类
bs = 'ts'（收缩薄板回归样条，而不是普通的tp）或bs = cs'（收缩立方回归样条，而不是普通的“ cr”），并且mgcv:::gam/bam应该能够将s(x2)缩小为0。其背后的数学原理是mgcv会将线性项（即零空间）的本征值从0修改为0.1，这是一个很小的但为正数，因此会受到惩罚对线性项生效。结果，当您执行plot.gam()时，您将看到s(x2)是一条位于0处的水平线。bs = 'cs'或bs = 'ts'应该放在函数s()中；但是mgcv还允许您在bs = 'cr'中保留bs = 'tp'或s()不变，而将select = TRUE放在gam()或bam()中。 select = TRUE是更一般的处理方法，因为收缩平滑目前仅具有cs和ts类，而select = TRUE适用于所有平滑规范。通过将0的本征值增加到0.1，它们本质上是做同样的事情。以下示例摘自
?gam.selection下的示例。请注意select = TRUE如何将几个项缩小为0，以提供信息丰富的模型选择。library(mgcv)
set.seed(3);n<-200
dat <- gamSim(1,n=n,scale=.15,dist="poisson") ## simulate data
dat$x4 <- runif(n, 0, 1);dat$x5 <- runif(n, 0, 1) ## spurious
b <- gam(y~s(x0)+s(x1)+s(x2)+s(x3)+s(x4)+s(x5),data=dat,
family=poisson,select=TRUE,method="REML")
summary(b)
plot.gam(b,pages=1)
请注意，
p-values中的summary.gam()也为选择提供了证据：Approximate significance of smooth terms:
edf Ref.df Chi.sq p-value
s(x0) 1.7655119 9 5.264 0.0397 *
s(x1) 1.9271039 9 65.356 <2e-16 ***
s(x2) 6.1351372 9 156.204 <2e-16 ***
s(x3) 0.0002618 9 0.000 0.4088
s(x4) 0.0002766 9 0.000 1.0000
s(x5) 0.1757146 9 0.195 0.2963
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
R-sq.(adj) = 0.545 Deviance explained = 51.6%
-REML = 430.78 Scale est. = 1 n = 200
关于r - mgcv:如何使用Tweedie响应模型进行逐步回归？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/37351338/