extrapolate.uni.scam(scam)
extrapolate.uni.scam()所属R语言包：scam
Extrapolation from the fitted SCAM model
从SCAM模型的拟合外推法：
译者：生物统计家园网 机器人LoveR
描述----------Description----------
This function does extrapolations of the response variable values to the right-hand side of the data in case of a single univariate shape constrained term. It takes a fitted scam object produced by scam() and produces extrapolations given a new set of values for the model covariates to the “right” of the data set. It also produces predictions given a new set of values within the range of the model covariate or the original values used for the model fit. Extrapolations are accompanied by standard errors, based on the posterior distribution of the model coefficients.
这个函数做的右手侧的一个单一的单变量形状约束项中的数据的情况下的响应变量值的推断。这需要一个装有scam对象scam()，并产生了一套新的价值观的模型协变量的数据集，以“正确的”的推断。它也能产生协变量模型的范围内，或用于模型拟合的原始值的值给定的一组新的预测。都伴随着基于模型系数的后验分布的标准误差，外推。
For predictions only see predict.scam.
为了预测只看到predict.scam。
用法----------Usage----------
extrapolate.uni.scam(object, newdata)
参数----------Arguments----------
参数：object
a fitted scam object as produced by scam().
一个装有scam对象产生的scam()。
参数：newdata
A data frame or list containing the values of the model covariates at which extrapolations are required.
一个数据框或列表，其中包含的值的模型协变量推断需要。
值----------Value----------
A list is returned with the following items:
返回一个列表的以下项目：
参数：fit
Extrapolations of the response variable.
外推的响应变量。
参数：se
standard error estimates of extrapolated values.
标准误差估计的推算值。
注意----------Note----------
Extrapolation for "micv" and "mdcx" will flatten the smooth, the very short forecasting is recommended (parameters extensions differ from those for other smooths due to the Sigma matrix construction)
外推“型步兵战车”和“MDCX”将扁平光滑，在很短的预测推荐（参数扩展从其他不同的平滑由于Sigma的矩阵建设）
（作者）----------Author(s)----------
Natalya Pya <nat.pya@gmail.com>
参考文献----------References----------
参见----------See Also----------
scam, predict.scam
scam，predict.scam
实例----------Examples----------
## Not run: [＃不运行：]
library(scam)
#########################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃]
## Example on extrapolating a single univariate monotone increasing smooth...[＃例推断一个单一的单变量单调递增光滑...]
##########################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃＃]
set.seed(12)
n <- 100
x <- sort(runif(n)*4-1)
f <- 4*exp(4*x)/(1+exp(4*x))
y <- rpois(n,exp(f))
dat <- data.frame(x=x,y=y)
b <- scam(y~s(x,k=15,bs="mpi",m=2),family=poisson(link="log"),
data=dat,sp=NULL)
plot(x,y,xlab="x",ylab="y")
lines(x,exp(f)) ## the true function[＃真正的功能]
lines(x,b$fitted.values,col=2) ## monotone fit[＃单调适合]
newd <- data.frame(x=c(3.2,3.3,3.6))
fe <- extrapolate.uni.scam(b,newd)
plot(c(x,newd[[1]]),c(y,NA,NA,NA))
lines(c(x,newd[[1]]),c(b$fitted,exp(fe$fit)),col=2)
### passing observed data + new data...[＃＃通过观测到的数据+新的数据...]
newd <- data.frame(x=c(x,3.2,3.3,3.6))
fe <- extrapolate.uni.scam(b,newd)
plot(newd[[1]],c(y,NA,NA,NA))
lines(newd[[1]],exp(fe$fit),col=2)
## Gaussian model ....[＃高斯模型....]
## simulating data...[＃模拟数据...]
set.seed(2)
n <- 200
x <- sort(runif(n)*4-1)
f <- exp(4*x)/(1+exp(4*x)) # monotone increasing smooth[单调递增光滑]
y <- f+rnorm(n)*0.1
dat <- data.frame(x=x,y=y)
b <- scam(y~ s(x,k=25,bs="mpi",m=2),family=gaussian(link="identity"),data=dat)
newd <- data.frame(x=c(3.2,3.3,3.6))
fe <- extrapolate.uni.scam(b,newd)
plot(c(x,newd[[1]]),c(y,NA,NA,NA))
lines(c(x,newd[[1]]),c(b$fitted,fe$fit),col=2)
### passing observed data + new data...[＃＃通过观测到的数据+新的数据...]
newd <- data.frame(x=c(x,3.2,3.3,3.6))
fe <- extrapolate.uni.scam(b,newd)
plot(newd[[1]],c(y,NA,NA,NA))
lines(newd[[1]],fe$fit,col=2)
lines(newd[[1]],fe$fit+2*fe$se,col=3)
lines(newd[[1]],fe$fit-2*fe$se,col=4)
###########################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃＃＃]
## Example on extrapolating a single univariate monotone increasing and concave smooth...[＃例推断一个单一的单变量单调递增，凹光滑...]
##########################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃＃]
set.seed(3)
n <- 100
x <- sort(runif(n)*99+1)
f1 <- log(x)
f <- (f1-min(f1))/(max(f1)-min(f1))
y <- f+rnorm(n)*0.10
dat <- data.frame(x=x,y=y)
## fit model ...[＃拟合模型...]
b <- scam(y~s(x,k=15,bs="micv",m=2),family=gaussian(link="identity"),data=dat)
newd <- data.frame(x=c(100,101,113))
fe <- extrapolate.uni.scam(b,newd)
plot(c(x,newd[[1]]),c(y,NA,NA,NA),ylim=c(min(y),max(c(y,fe$fit))))
lines(c(x,newd[[1]]),c(b$fitted,fe$fit),col=2)
###########################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃＃＃]
## Example on extrapolating a single univariate monotone decreasing smooth...[＃例如一个单一的单变量单调递减的平滑外推...]
##########################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃＃]
set.seed(3)
n <- 100
x <- sort(runif(n)*3-1)
f <- exp(-1.3*x)
y <- rpois(n,exp(f))
dat <- data.frame(x=x,y=y)
b <- scam(y~s(x,k=15,bs="mpd",m=2),family=poisson(link="log"),
data=dat,sp=NULL)
newd <- data.frame(x=c(2.3,2.7,3.2))
fe <- extrapolate.uni.scam(b,newd)
ylim<- c(min(y,exp(fe$fit)),max(y,exp(fe$fit)))
plot(c(x,newd[[1]]),c(y,NA,NA,NA),ylim=ylim)
lines(c(x,newd[[1]]),c(b$fitted,exp(fe$fit)),col=2)
### passing observed data + new data...[＃＃通过观测到的数据+新的数据...]
newd <- data.frame(x=c(x,2.3,2.7,3.2))
fe <- extrapolate.uni.scam(b,newd)
plot(newd[[1]],c(y,NA,NA,NA),ylim=ylim)
lines(newd[[1]],exp(fe$fit),col=2)
## Gaussian model ....[＃高斯模型....]
set.seed(3)
n <- 100
x <- sort(runif(n)*3-1)
f <- exp(-1.3*x)
y <- f+rnorm(n)*0.3
dat <- data.frame(x=x,y=y)
b <- scam(y~s(x,k=15,bs="mpd",m=2),family=gaussian,
data=dat,sp=NULL)
newd <- data.frame(x=c(2.3,2.7,3.2))
fe <- extrapolate.uni.scam(b,newd)
ylim<- c(min(y,fe$fit),max(y,fe$fit))
plot(c(x,newd[[1]]),c(y,NA,NA,NA),ylim=ylim)
lines(c(x,newd[[1]]),c(b$fitted,fe$fit),col=2)
###########################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃＃＃]
## Example on extrapolating a single univariate convex smooth...[＃例推断一个单一的单变量凸顺利...]
##########################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃＃]
set.seed(1)
n <- 100
x <- sort(2*runif(n)-1)
f <- 4*x^2
y <- f + rnorm(n)*0.4
dat <- data.frame(x=x,y=y)
b <- scam(y~s(x,k=15,bs="cx",m=2),family=gaussian,data=dat)
newd <- data.frame(x=c(1.1,1.2,1.3))
fe <- extrapolate.uni.scam(b,newd)
ylim<- c(min(y,fe$fit),max(y,fe$fit))
plot(c(x,newd[[1]]),c(y,NA,NA,NA),ylim=ylim)
lines(c(x,newd[[1]]),c(b$fitted,fe$fit),col=2)
### passing observed data + new data...[＃＃通过观测到的数据+新的数据...]
newd <- data.frame(x=c(x,1.1,1.2,1.3))
fe <- extrapolate.uni.scam(b,newd)
plot(newd[[1]],c(y,NA,NA,NA),ylim=ylim)
lines(newd[[1]],fe$fit,col=2)
## End(Not run)[＃（不执行）]
转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。
注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。
|
发表于 2012-9-29 22:36:34
